目前供水管网泄漏检测主要还是依靠人工听漏。这种方法对检漏工人的经验有着很强的依赖性,需要长达几年的培训和学习才能培养出一名合格的检漏人员。另外人工听漏对环境的静谧度有较高的要求,常常要求在夜深人静的时候进行检漏工作,长期昼夜颠倒工作对工作人员有较大的伤害。为了有效地改善这一供水管网检漏技术难点问题,本文开展了泄漏声信号特征的理论和技术研究。本文收集了上万组检漏信号,并已完成其中3千余条信号的人工标记。采用多种频谱分析方法对实测信号进行了多角度研究,总结了漏损声信号频谱特征的个性和共性规律,并建立了多个漏损声信号频谱的统计学模型;研究采用了多种降噪预处理方法强化频谱统计特征;根据漏损声音信号的频谱特征,建立了多个基于机器学习漏损识别模型,可实现较大规模的自动漏损识别。主要成果如下:（1）泄漏声信号从听感上被称为“噪声”,是随机条件下发生的随机信号,与传统随机信号有明显区别。泄漏条件的强随机性使得难以找到两段相同的泄漏声信号,故本文采用概率统计的思路对声信号特征进行研究。本文分析了功率谱、边际谱、谱质心、MFCC特征、频谱平坦度、谱质心带宽、谱下降率、时频谱和高阶谱等9个基本特征,结果表明主频率峰、谱平坦度、谱下降率有显著的统计特征,可以有效排除无泄漏声信号。MFCC特征、时频谱、高阶谱等有明显的特征,可以单独或联合辅助判断供水管道是否出现泄漏。（2）供水管道泄漏声信号多含有干扰信号,降噪预处理有助于强化泄漏声信号的统计特征。泄漏声信号是具有“弱周期性”的随机信号,本文以强化信号统计特征为目标,基于小波阈值降噪、EEMD降噪和奇异值分解降噪等,提出了一种针对供水管道泄漏声信号的自适应联合降噪方法。该方法能够有效提高有泄漏信号统计特征集中度,有助于强化有泄漏信号和无泄漏信号特征的区分度。（3）在特征工程和降噪预处理的基础上,本文采用决策树模型、SVM模型、BP神经网络、RBF神经网络和集成学习等模型进行训练,并采用综合评估体系对模型效果进行排序。评估指标包括:准确率、精确率、F1值、召回率和负正类率等,其中负正类率为经济决策指标。BP神经网络模型和Boosting集成学习算法能实现最好的分类效果,达到接近100%的召回率、7.35%的负正类率以及0.95以上的F1值,能够满足工程对于供水管道泄漏检测的准确度要求。另外,实践中无泄漏信号数量远多于有泄漏的信号,机器学习模型中的训练样本数据结构严重不平衡,对模型效果有较大影响。本文通过调整训练样本中有泄漏和无泄漏信号的比例,提出了用于训练的有泄漏和无泄漏样本比例宜在[1,4/3]范围内。