油气作为主要能源基础之一，对社会发展起着重要作用。管道作为油气的主要运输方式，保障管道运输的安全性显得尤为重要。由于人为破坏加上自然因素影响，管道泄漏事故时有发生，造成严重的经济损失和生态问题。因此，对管道管网进行泄漏检测具有重要意义。
　　由于站场正常的工况调整产生的压力变化与泄漏产生的压力变化相似，导致现有泄漏检测系统误报率较高。针对管道信息采集干扰因素较多以及工况调整的复杂性，本论文提出了基于深度信念网络的管网泄漏检测方法，主要做了以下三方面的工作:数据的滤波、建立管网泄漏的检测模型以及算法的优化。
　　第一，针对管道采集的复合信号信号干扰多、去噪效果较差的情况，提出了可变模态分解滤波方法(Variational Mode decomposition，VMD)。该方法在抗干扰性和分离低频信号方面，较传统方法有所提高。针对VMD方法存在预设尺度K难以选取以及难以确定分解后有效的IMF分量的问题，提出了VMD算法和相关系数结合的管道泄漏检测方法。通过实验表明该方法能够有效地提高信号滤波效果。
　　第二，针对管道泄漏参数多且工况调整复杂，导致泄漏检测系统误报率较高的情况，本文引入基于深度学习理论的深度信念网络(Deep Belief Network，DBN)，以各监控站的工况设备信息以及管道特征数据为数据源，构建了基于深度信念网络的管道泄漏检测模型。针对DBN网络模型的检测性能对网络结构和参数敏感的问题，通过分析不同异常情况下的管道泄漏特点，实现了面向工程实际的网络参数优化;在实际管道数据上的试验结果证明了所构建检测模型的有效性。
　　第三，针对DBN网络训练过程中收敛速度慢的问题，提出对RBM训练和全局调整(fine-tune)的改进方法。首先，在训练RBM过程中，利用冲量因子避免了在局优点附近因梯度变化缓慢而带来的训练耗时;针对传统冲量因子在训练前期和中后期设为不同常数而导致的重构误差异常波动问题，提出了自适应冲量因子，实现了冲量因子在训练迭代过程中的连续变化;在全局调整中，利用并行处理方式取代传统K折交叉验证中的串行模式，有效提升训练速度。