泄漏检测与定位系统是天然气管道安全运行的重要组成部分。近些年国内外学者对管道泄漏检测方法进行了广泛的研究。但由于泄漏工况的变化多端,各种方法在实际应用中都有一定的局限性。基于模型的管道泄漏检测方法是根据流体输送模型对泄漏情况进行预测,可用于多种泄漏工况的检测。在实际的应用中管道气体会受到噪声、管道周围温度、摩阻系数、气体压缩系数等众多因素的影响,简化后的模型虽然降低了运算复杂度,但会使模型的精度也随之降低。由此,这里建立天然气管道神经网络模型来对动态参数对管道模型产生的影响进行补偿。本文基于天然气管道泄漏机理对仿真建模方法进行研究,建立基于稳态与瞬态的天然气管道泄漏仿真模型,分别利用四阶龙格库塔法和有限差分法进行求解。并通过时间滞后补偿和摩阻系数修正两方面提高参数对管道泄漏定位的影响。通过实际管道的泄漏实验验证所建模型可以对泄漏进行准确检测和定位。根据遗传算法具有较强鲁棒性和全局搜索的特性,利用遗传算法优化神经网络,解决BP算法收敛速度慢、易陷入局部极小值的缺陷。在对遗传算法进行综合的分析之后,发现遗传算法有早熟收敛等问题。因此在标准遗传算法基础上对其进行改进,依据适应度值的优劣将种群进行划分,并对每个不同的部分分别采取不同的优化方式,而后对各个部分进行补充和重新分配,最终提高算法的局部搜索能力。应用复杂二元函数测试,结果表明,改进算法优化效果更好。针对粒子群种群多样性易下降,不利于搜索到全局最优解的缺点。给出改进方法：在算法的初期与后期分别进行不同的扰动,使种群既能够在全局最优解的邻域内以高的精度进行搜索,又能够从局部极值的邻域跳到全局最优解的邻域。应用标准测试函数评估,结果表明,改进算法的寻优效果更胜一筹。应用本文讨论的方法对某油田天然气管道泄漏状况进行诊断,结果表明,基于智能算法的检测研究能够对管道工况做出准确的判断。并且改进后的方法准确率更高。