管道运输在天然气运输方面发挥着非常重要的作用。为保障管道长期安全运行,必须对管道进行定期检查与维护。对正在运行的天然气管道,若要检测其内部缺陷是非常困难的。如果停机检测,又会造成经济的重大损失。本论文针对天然气管道内壁在线检测,在基于漏磁检测原理的基础上,研究了天然气管道内壁检测技术,并开发了天然气管道内壁检测系统。本论文从分析漏磁场形成的机理出发,对漏磁场计算和磁化强度的选择进行了理论上的研究和分析。利用ANSYS有限元分析软件搭建了相关漏磁检测系统的理论分析模型。通过分析不同缺陷对管道漏磁场的影响规律,为后期缺陷识别提供理论依据。分析仿真结果之后,设计了天然气管道内壁缺陷检测系统。在实验室条件下,搭建了管道内壁检测系统的实验装置,并且人为的制作了周向、轴向、斜向三种缺陷。利用该实验装置实现了实验数据的采集、处理与分析,并将取得的管道缺陷漏磁数据制作成缺陷漏磁曲线图像数据集。采用深度学习框架Tensorfolw搭建了深度卷积神经网络模型,并且利用缺陷漏磁曲线图像数据集的训练集完成深度卷积神经网络模型的训练。本论文通过管道内壁检测系统实验装置的搭建,采集管道内壁缺陷漏磁数据。通过实验数据的曲线图,验证了漏磁检测信号的有效性与可靠性,从而验证了天然气管道内壁检测系统各参数设计的合理性。为天然气管道内壁检测系统的实际应用提供了有意义的理论支撑和实践理论。实验表明,利用改进的深度卷积神经网络模型对新的管道缺陷漏磁曲线图像数据进行预测,平均识别率可达93.25%以上。为管道缺陷快速、批量化的识别提供了新的方法。