在超聲波檢測管檢測的信號降噪、數據壓縮、特征提取、缺陷識別等數據處理過程中，各種先進的算法得到了廣泛的應用?，F代信息處理 技術如數值分析法、神經網絡技術、人工智能、模糊技術、自適應技術、虛擬儀器技術的逐步成熟促進了超聲波檢測管檢測技術的應用發展和智能 化程度。
小波變換是一種時頻分析方法，其在時頻平面上具有可變的時間和頻率分辨率以及良好的表征信號局部特征的能力。小波分析技術以其多 分辨率和局部化的突出特點使其成為目前超聲波檢測管信號時頻表達的最佳分析方法之被廣泛應用于超聲波檢測管信號的降噪處理、特征提取 和數據壓縮中。母小波和分解層數的選擇以及小波系數非線性處理方法的選擇是小波分析的關鍵技術。小波分析的改進算法，比如小波包分析，對 小波變換沒有細分的高頻部分進一步分解，提高了處理信號的能力。提升小波變換則直接在時（空）域進行變換，獲得了更好的去噪效果和更高的信噪比，并且提升小波變換的去噪速度更快、設計靈活、編程簡單、易于實現。
Hilbert—Huang變換（HHT）是專為非線性、非平穩數據分析而設計的，它可根據信號的局部時變特征進行自適應的時頻分解，消除了人為因素的影響。HHT對超聲波檢測管回波信號進行EMD分解后再進行Hilbert譜分析，構造的Hilbert譜及Hilbert能量譜能夠反映回波信號的時 頻信息和時間信息，從而有效地判斷缺陷的有無及位置。
人工神經網絡將未知缺陷的回波特征參數與數據庫中已知缺陷的回波特征參數進行比較，來確定未知缺陷的類型。選擇合適的初始網絡參 數，將有利于網絡的訓練和提高識別率。小波神經網絡是基于小波分析所構造的一種新的神經網絡模型，它結合小波變換所具有的良好的高頻域時 間精度、低頻域頻率精度的性質和神經網絡的自學習功能，因而具有較強的逼近、容錯能力。小波包分析和人工神經網絡的結合能為缺陷類型提供 有效的智能識別。
基于多傳感器信息融合技術的缺陷識別，可以充分利用不同傳感器對不同缺陷的敏感程度，對來自多個傳感器的數據進行綜合處理，以獲 得對被測對象的精確估計和評價口43。通過傳感器之間的協調和互補，克服單傳感器的不確定性和局限性，提高系統的整體識別性能，與單傳感器 相比，能大大提高判斷結果的準確性和可靠性。另外，建立基于3個BP網絡和D-S證據理論的融合模型，將數據融合技術應用于超聲波檢測管缺陷分 類中的方法，能夠得到比單個網絡更加準確的識別結果口鑰。
