1.一种基于样条插值和卷积神经网络的管道泄漏检测和定位系统，包括以下步骤：步骤1，通过样条局部均值分解对上游压力信号进行分解，得到乘积函数PFs；

步骤2，引入泄漏点下游压力波信号即参比信号，计算各个PF分量与参比信号之间互相关度，通过设定临界相关因子数，选择含有泄漏信息的PF分量进行重构；对样条局部均分解进行改进是：引入参比信号，利用参比信号与PF之间的互相关度确定该PF分量是否含有泄漏信息，进而实现滤噪；其具体步骤如下：(1)对于非线性、非平稳信号下游压力xu(t)，其样条局部均值分解结果可表示为：其中，k代表PF分量的次数，rk(t)代表残差；

(2)将各个PF和rk(t)与下游信号xd(t)作相关分析；

(3)计算相关系数因子：

(4)选取PF相关因数合适的阀值δ0＝0.75，当δ≥δ0，认为该PF分量为泄漏信号；当δ<δ0，认为该PF分量不是泄漏信号；根据相关系数因子选择PF，并对选择的PF信号重构；

(5)选择PFisignal重构，重构信号 可表示为：步骤3，对重构信号进一步通过小波分解进行降噪处理；

步骤4，将步骤3得到的降噪信号转化为图像信号，其中所有图像和线条的颜色、大小相同，并且去除与压力无关的任何标识，并设定像素值，压力负压波变化过程充满整张图像；

步骤5，将无泄漏、2mm、3mm、5mm、10mm的5种泄漏孔径共计400*5＝2000组数据作步骤1-

4处理，生成共计2000张图像；

步骤6，将以上图像输入卷积神经网络中进行模型训练和验证，构建卷积神经网络检测模型；

步骤7，将训练得到的卷积神经网络模型，可实现不同泄漏大小的检测；

步骤8，以改进型局部均值分解方法和小波滤噪对泄漏点下游压力信号进行处理，并以泄漏点上游信号为参比信号；

步骤9，计算重构后的泄漏点上下游压力信号广义相关函数，确定泄漏时延，进而实现泄漏点定位。

2.根据权利要求1所述基于卷积神经网络对管道泄漏检测，其特征在于，所述步骤6和7中，将卷积神经网络引入对管道泄漏的检测；利用卷积神经网络在处理2-D图像数据的优势，实现训练一个泄漏点的训练，多个地方泄漏大小的检测。