天然气作为一种较为经济、清洁的能源,管道的安全运输是天然气保证人们生产生活的重要前提,而泄漏检测则是保障管道正常运行的主要技术手段。天然气管道泄漏时产生的声波信号在检测过程中极易受到噪声的干扰,造成误报、漏报等情况发生。故本课题开展对管道泄漏检测技术研究具有重要的意义。为提高管道泄漏检测的精度和实现天然气管道泄漏的高准确率检测,本文利用信号处理、智能优化算法、模式识别等理论和技术,设计一套包括信号预处理、特征提取、工况识别的管道泄漏检测方法。主要研究内容如下:首先,研究经验模态分解算法和变分模态分解算法（Variational Mode Decomposition,VMD）的基本原理,然后通过分析信号处理过程中的仿真信号和实际管道泄漏信号,验证了VMD算法在处理非平稳非线性信号方面的优越性以及用于天然气管道泄漏检测的可行性。其次,针对VMD参数设置不合理可能导致的过分解、欠分解等问题,提出了一种改进的VMD自适应信号去噪方法,即采用混沌和Sigmoid函数对粒子群优化（Particle Swarm Optimization,PSO）算法进行优化,从而对VMD的关键参数分解层数K和惩罚因子的最优组合进行自适应选取,解决了以上问题,并与欧氏距离（Euclidean Distance,ED）结合选取有效模态进行重构,构造了一种改进PSO-VMD-ED的自适应信号去噪方法。实验结果表明,与其他去噪方法相比,无论仿真信号还是实际管道泄漏信号都得到了较好的去噪效果。再次,针对天然气管道泄漏信号特征提取困难的问题,提出了基于VMD-熵方法的特征提取方法。从能量、冲击特性和时间序列复杂度三个方面选取能量熵、峭度熵、模糊熵作为特征参数,采用改进PSO-VMD-ED方法将采集到的管道信号进行去噪处理,计算去噪后管道信号的能量熵、峭度熵、模糊熵。利用多组样本信号进行实验,结果表明本文所提方法能够较好地区分出管道工况信号,有效提取出管道信号特征,为后续的分类识别做铺垫。最后,本文研究了基于极限学习机（Extreme Learning Machine,ELM）的模式识别方法,并利用ELM实现管道工况信号的高准确率识别。该方法是将能量熵、峭度熵、模糊熵组成特征向量,输入到ELM中。经过240组训练样本以及60组测试样本实验分析,表明本文所提出的特征熵相比于其他特征分类识别准确率更高,最终获得的分类准确率达到98.33%,能够有效区分正常、泄漏和敲击信号。