采用声发射检测系统技术可以实现对大型锅炉、炉壁管道构件进行炉壁裂纹以及缺陷实时检测,通过检测,可以做到提前维护,预防不必要的更大的损失,基于声发射的锅炉管道泄漏检测方法有望提供一种系统的解决方案。由于锅炉工作现场环境复杂,影响测量信号的噪声源复杂多变,所以研究设计锅炉管道泄漏检测系统,研究泄漏声发射信号的处理、识别和定位方法是关键。针对声发射信号的强噪声、非线性、非平稳等特征,小波分析、经验模态分解(EMD)为代表的时频分析方法得到了广泛的重视,针对复杂信号提取信号的有效特征的各种方法和以机器学习为代表的智能识别与定位方法得到了深入研究和应用。本文主要采用了在退役的锅炉上通过模拟实验获取不同类型的三类信号:金属棒敲击、砂纸和断铅三种声发射声源信号。对获得的实验数据进行EEMD分解,并求取近似熵作为特征向量,应用BP和PNN进行信号识别,对比基于EEMD近似熵和BP故障识别和基于EEMD近似熵和PNN故障识别的识别率。利用VMD自适应多分辨率分析与样本熵特征对泄漏声发射信号物理过程变化敏感的特点,提出基于VMD自适应多分辨率和样本熵的故障特征信息提取方法。采用VMD进行数据分解,对比EEMD和VMD对信号的分解的混叠现象,求取近似熵和样本熵分别作为特征向量,应用BP和PNN进行信号识别,对比基于VMD近似熵BP故障识别和基于VMD近似熵PNN故障识别的识别率,对比基于VMD样本熵BP故障识别和基于VMD样本熵PNN故障识别的识别率。针对单一BP神经网络故障识别精度和泛化能力低的缺点,提出并行BP和基于BP＿Adaboost方法的泄漏故障信号识别方法。并与EEMD多分辨率近似熵、VMD多分辨率近似熵故障特征信息方法进行了比较。在以上实验过后发现,基于VMD分解的样本熵特征向量采取BP并行网络识别方式和BP-Adaboost方式识别率更高。