随着管道工业迅猛发展，管道运输已经成为能源运输的主要方式之一，因此，开展管道质量状态的安全检测研究，对于保障管道输送的正常运行，维护人类生命财产安全以及减少和避免环境污染具有重要意义。本文在查阅大量国内外科技文献的基础上，以管道裂纹为研究对象，基于奇异值分解(Singular Value Decomposition，SVD)、BP神经网络及时差定位技术对管道裂纹声发射信号进行了分析处理，实现了管道裂纹的状态识别及定位，为管道的安全性检测提供了一些经验和依据。本课题研究的主要内容如下:　　首先，本文介绍了声发射的基本理论，并根据声发射现象的产生与材料内部变化机制的特点，确定选取声发射检测技术来采集裂纹声发射信号。在分析管道裂纹主要状态及其声发射信号的特点以及声发射信号处理技术的基础上，提出了声发射采集方法及信号处理方案。　　其次，对采集的声发射信号进行预处理。运用SVD技术对管道裂纹声发射信号进行降噪处理，论文针对SVD分解中重构阶数的确定这一难点，采用奇异值能量差分谱确定信号重构阶数;通过算例仿真，展现了该方法在降噪上的有效性，针对降噪后信号局部误差偏大的问题，提出了级联SVD方法;分析了SVD降噪处理对能量等几个信号参数的影响，并选取幅度、振铃计数、上升计数、持续时间、上升时间、有效值电压、平均信号电平和能量8个特征参数作为裂纹状态识别的特征量。　　再次，运用BP神经网络技术对裂纹进行状态识别以及时差定位优化研究。论文通过网络结构设计和参数设置，设计一个隐含层可变的BP神经网络，在不断改变隐含层神经元的数目，根据网络的训练误差及训练次数，确定了隐含层神经元个数。将测试数据输入训练好的BP神经网络中进行模式识别，并将BP网络输出的测试样本识别结果与目标输出对比，以考察网络分类的准确性，实现管道裂纹的状态识别。论文选用时差定位法对管道裂纹进行了定位研究，为提高其精度，引入BP神经网络，并通过对比引入BP神经网络前后的时差定位精度，得出BP神经网络对于时差定位的精度优化作用。　　最后，为了验证研究的可行性，进行了管道裂纹声发射信号检测实验。针对采集的信号进行了SVD降噪处理;并应用BP神经网络技术对管道裂纹进行了状态识别及时差定位的优化研究，成功的识别出了管道裂纹的状态，并同时证明了BP神经网络对于时差定位精度的优化作用。　　研究结果表明，运用SVD降噪技术可以很好的滤除声发射信号中的噪音信号;根据降噪后提取的特征参数，运用BP神经网络模式识别能够较准确的识别出管道无裂纹状态、裂纹扩展状态和渗漏裂纹状态;同时BP神经网络的引入也提高了时差定位的精度。