近年来,天然气管道微小孔径泄漏已成为威胁管道运行的重要因素,若能准确地识别泄漏孔径的大小,将有助于安全运营部门准确估算泄漏的危害程度并做出相应的措施来降低损失,因此对天然气管道泄漏孔径识别研究具有重要意义。本文以管道泄漏孔径为研究对象,提出了基于一维卷积神经网络对天然气管道泄漏孔径识别的方法。首先,论述了天然气管道泄漏的研究背景,说明了对管道泄漏孔径研究的重要意义;然后列举了国内外对天然气管道泄漏检测方面的研究现状,分析了泄漏检测所面临的挑战和机遇;接着阐述了卷积神经网络的结构和特性,并对深度卷积神经网络的构建和训练过程进行了详细的分析;最后对深度神经网络训练过程中防止过拟合处理进行了总结。针对管道泄漏孔径识别面临原始数据冗余量大、特征提取及分类过度依赖先验知识和系统实时性要求高等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取绝大部分泄漏信息;然后构建出深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度的泄漏孔径识别;最后对影响网络性能的主要参数进行了深入的分析。实验结果表明,所提方法能够快速、准确地对天然气管道泄漏孔径识别,总体识别效果优于传统的分类方法。针对管道沿线环境复杂、泄漏信号信噪比低从而导致传统泄漏孔径识别方法准确率低的问题,提出了一种多尺度卷积神经网络对天然气管道泄漏孔径识别的方法。首先利用较大的卷积核提取原始泄漏信号全局性特征;然后利用提出的多尺度块对卷积神经网络上层输出并行多尺度特征提取,并且使用BN处理和Dropout处理提高模型泛化能力;最后对影响网络性能的主要参数进行了深入的分析。实验结果表明,所提方法能够准确地对天然气管道泄漏孔径进行识别,且在低信噪比环境下具有较好的鲁棒性。