船舶管系泄漏检测是保障现代船舶安全的重要手段。与长输油气管道相比，船舶管系弯管支管多，工况变化频繁，处于强噪声、强振动的恶劣环境下和运动状态中，非稳态摩阻、工况改变和泄漏故障等原因使流体运动规律和信号特征复杂。目前，泄漏量大小、泄漏位置与流体信号特征之间的关系尚未解明，各种动态因素的作用机理尚不明确，“强噪声干扰”、“微小缓慢泄漏不能检测”、“泄漏故障与泵阀操作分类识别困难”、“样本数据不均衡”等问题严重制约了泄漏检测的精度和稳定性。　　针对以上问题，本文采用瞬变流检测与人工智能结合的方法，着力研究“不同状态下船舶管系瞬变流动的基本规律与信号特征”、“强噪声环境船舶管系流体特征信号的分离方法”、“船舶管系状态特征表达方法”、“船舶管系泄漏检测模型建模方法”等基础性关键科学问题。船舶管系泄漏检测的实质是一个“模式识别”问题，对应于“模式识别”方法的基本流程，论文的主要工作和贡献如下：　　（1）依托管道流体力学理论，建立船舶管系瞬变流计算模型。基于拟稳态摩阻模型获得了船舶管道负压波的产生机理、传播衰减规律，以及负压波法的可检测泄漏率规律；基于附加摩阻模型解明了船舶管系在不同工况、不同位置和不同流量比泄漏时压力和流量信号的波形特征；从理论上验证了基于流体信号波形特征的检测方法具有可行性。　　（2）模拟船舶管系的结构布局和工作环境，经软、硬件开发搭建实验平台获取实验信号数据。针对强噪声干扰问题，分析船舶管系流体信号的组成成分，设计虚拟仿真信号、消噪评价指标和实验方法；基于小波阈值算法和平台实验，研究并优化了母小波、分解层数、阈值、阈值处理函数等对分离效果具有重要影响的参数，解决了强噪声环境下携带管系状态信息的流体特征信号的信噪分离问题。　　（3）针对目前单一或单域方法提取的特征向量不能全面准确描述管系状态特征的问题，采用一种多点多域信息融合与维数约简的船舶管系状态特征表达方法。该方法融合了非广延“Tsallis小波熵”计算信号统计特性变化的能力，以及“小波变换模极大值”分析信号奇异性的能力，并对多点多域信息在特征层融合后基于流形学习理论消除冗余和冲突信息。分类识别实验的结果表明，由于融合了多点多域信息和多种方法的理想特性，该方法能准确描述微小缓慢泄漏、突发泄漏、泵阀操作等导致的信号变化与状态差异。　　（4）针对船舶管系“类型多样化”和“检测样本不均衡”问题，考虑检测模型应具备“自适应性”、“通用性”和“小样本学习能力”，采用支持向量机（SVM）理论建模，进而在模型的识别精度、稳定性和计算效率方面进行拓展和优化，采用了两种建模方法。方法一建立多类最小二乘支持向量机（LS-SVM）模型，利用参考极值和自适应步长提高人工蜂群算法（ABC）的局部搜索能力并用于分层优化LS-SVM的模型参数。方法二基于多类超球面SVM模型实现样本数据集的不均匀划分，通过半监督学习训练和加权处理提高模型的识别精度。对比实验验证了两种模型的理想特性。对于泄漏点定位问题，通过水力计算分析确定位置特征向量，构建支持向量回归机（SVR）函数拟合模型实现泄漏点定位。