油气输送管道在使用过程中,由于自身存在的质量问题和外界环境的影响,会产生各种类型的缺陷,缺陷对管道的危害性极大,易造成管道的破裂和泄漏等事故。这些缺陷主要分为腐蚀和应力集中两大类。不同类型缺陷造成的危害不同,其预警及维护的优先级也有所区别。磁记忆检测技术是一种能对铁磁性材料的早期损伤进行检测的无损检测手段,然而,仅根据金属磁记忆原始信号本身只能初步判断被检管道有无缺陷,无法对缺陷的类型进行有效区分,也无法对腐蚀缺陷的腐蚀程度进行判断,更不能实现对腐蚀缺陷大小、形状等特征的定量化识别,进而无法实现对管道缺陷的分阶段预警。为了解决上述问题,本文开展了管道缺陷识别分类及分级关键技术的研究。首先,对管道磁记忆缺陷检测技术的原理和可行性进行了研究和分析。并且以此为基础,设计并制作了包含腐蚀和应力集中两种缺陷的实验管道测试件,采集了测试件数据和油田现场管道的缺陷数据构建数据库,为后期的管道缺陷信号的分析、缺陷识别模型的建模和模型验证奠定了基础。其次,为了判别管道的缺陷类型,对管道缺陷的分类识别方法进行了研究。首先,构建了基于数学统计方法的管道缺陷识别模型,该模型是利用测试件数据的时域特征量进行数学统计分析建立的,是对缺陷分类研究的初步尝试,存在特征量分析不全面等问题。然后,为了解决这些问题,利用测试件数据的形态特征量和频域特征量,并结合时域特征量构建了基于机器学习算法的管道缺陷识别模型,包括基于极限学习机的管道缺陷识别模型和基于支持向量机的管道缺陷识别模型。最后,利用油田现场实测数据对三种方法的识别效果进行了验证。结果表明:对于管道缺陷的识别分类数学统计、极限学习机和支持向量机三种方法所建模型最高正确识别率分别为77%,80.21%和95.83%,识别效果较好,且支持向量机方法的正确识别率最高,可为分级研究提供参考。最后,为了进一步判断缺陷的腐蚀程度和特征,对管道缺陷的分级识别和缺陷深度的反演进行了研究。基于数据库中的管道测试件数据,利用支持向量机方法分别建立了管道腐蚀缺陷的分级识别模型和缺陷深度的定量化反演模型,并验证了模型的可行性。结果表明:利用支持向量机方法所建多个分级模型的正确识别率均在50%以上,实现了对管道腐蚀缺陷的分级识别;且针对1-15mm深度的测试件圆孔腐蚀缺陷,支持向量机方法所建模型实现了对其的反演,反演的平均误差为2.398mm,反演效果较好。