机器学习被广泛应用于排水管道堵塞状态的识别研究当中,由于排水管道堵塞状态的识别研究的数据具有不平衡分布的特征,传统的机器学习方法在不平衡数据分类应用方面存在很大的困难。因为管道堵塞存在积累发展的时间过程,对堵塞的检测存在一定的滞后性和不适应性,若排水管道堵塞状态的识别出现问题,很容易导致管道判别为正常管道从而随着时间的累计形成安全隐患,所以必须对排水管道运行状态进行准确识别,及时诊断出排水管道的堵塞程度。本文以排水管道堵塞为应用背景,针对城市排水管道正常与堵塞故障状态在数据获取上的不平衡性造成的运行状态识别准确率下降的问题,以重采样算法和代价敏感为基础,分别提出了一种管道堵塞状态识别研究方法,并将其应用于管道堵塞状态识别中,运用实验室模拟数据,进行仿真实验,说明了本文中所提算法是切实可行的。具体的工作有以下几点:(1)阐述了不平衡数据分类以及管道堵塞识别的研究现状,分析了不平衡数据分类相关理论,介绍了不平衡数据分类的典型方法和性能评价指标。利用声学主动检测获得的数据,通过信号处理方法分析声学信号,分析了常见状态识别方法。(2)基于不平衡数据重采样的管道堵塞状态识别研究。针对城市排水管道正常与堵塞故障状态在数据获取上的不平衡性造成的运行状态识别准确率下降的问题,首先采用小波包分解算法对声响应信号进行3层分解,将得到的不同频带重构信号作为特征分量信号。对特征分量信号提取能量熵,然后对不平衡数据集分别采用基于K-MEANS的欠采样方法、基于改进SMOTE的过采样方法和两种采样方法的混合采样方法,得到平衡数据集,最后对四类数据集进行分类识别与指标评价,本方法在数据层面,可有效提高分类准确率。(3)基于FOA优化的CS-SVM的管道堵塞状态识别研究。根据排水管道内各运行状态下采集到的不平衡数据集,首先对原始不平衡数据集经过小波包分解与重构算法得到不同频带的分解系数,其次,提取各个分解系数的能量熵、近似熵指标构建特征向量集合;采用果蝇优化算法(Fly Optimization Algorithm,FOA)对不同类样本惩罚因子Cm和核函数参数g进行优化选取,即对代价敏感支持向量机(Cost-Sensitive Support Vector Machine,CS-SVM)模型优化,将特征集合输入优化后的CS-SVM模型中,对排水管道的正常和堵塞状态识别,本方法在决策层面,提高了识别精度,减少了数据层面解决问题时产生的人为干预误差、过拟合、数据样本冗杂重复等问题。