每年由于管道腐蚀和地质下沉等自然因素和城市发展建设的人为因素,城市供水管道不可避免的发生泄漏,如果能够及时的发现管道漏损及泄漏状况,将节约大量的水资源。因此供水管道泄漏检测在整个监测供水管网的系统的占据重要地位。管道泄漏检测的方法主要分基于声信号和非声信号两种,而在基于非声信号的主流方法中包括流量平衡法、红外热成像法、模型法等。由于受到管道埋设及要求精度高等限制,目前主流检测方法为基于声信号的检测。早期采用听音法,完全依赖工人的经验,而后来的研究者主要研究的内容有:1)通过分析管道的振动频谱谱峰的位置可判断管道是否发生泄漏,然而此方法对与泄漏信号频谱图相似的窄带噪声无法辨别。2)将信号分解理论与人工神经网络等机器学习算法结合训练数据,用于判别泄漏信号,而此方法高度依赖数据量。对此本文提出了专门针对小样本处理的基于机器学习的泄漏识别模型,具体内容包括:(1)分析了管道泄漏的主要形式及在发生泄漏时在泄漏口处引起管道振动的激励源,通过仿真分析了有无泄漏时的频谱差异以及管道材质对信号时域和频域的影响。(2)采用哈夫曼编码对管道信号在数据级做无损融合,有利于数据的传输。并对信号存在管道背景噪声情况提出LMS自适应抵消算法,对信号做滤波。(3)基于泄漏信号和非泄漏信号在特征上的差异性,对信号做经验模态分解后提取固有模态函数的平均功率谱密度特征、原始信号近似熵特征以及代表信号的主成分。仿真分析基于信号单个特征在不同信噪比下的泄漏识别效果。再组合多个特征组成特征矩阵,用二分类支持向量机训练数据特征矩阵,将用已知信号测试训练好的网络,通过优化网络提高准确率。最后用优化好的网络去检测实际供水管道判别泄漏。