城市供水管网实时监测数据具有大容量、多样性的特点，研究和利用先进的理论与方法，从监测声信号中挖掘有效信息，高效、准确地识别管网的运行状况，成为供水管网泄漏检测领域面临的新问题。深度学习理论作为模式识别和机器学习领域最新的研究成果，以强大的建模和表征能力在图像和语音处理等领域的大数据处理方面取得了丰硕的成果。本文结合供水管网声信号的特点与深度学习的优势，提出了一种新的管网泄漏声信号识别方法。该方法通过深度学习利用泄漏声信号的频域信号训练深度置信网络，并研究了网络结构参数(隐含层节点个数、隐含层层数、迭代次数及节点组合类型)对泄漏信号识别效果的影响，优化出了最佳的深度置信网络结构。试验结果表明，该方法实现了多种工况、大量样本下供水管网泄漏特征自适应提取与运行状况准确识别，效果优于传统的“特征提取+BP神经网络”识别方法。该方法优势在于能够摆脱对大量信号处理技术与诊断经验的依赖，完成泄漏特征的自适应提取与运行状况的智能诊断，克服了传统智能模式识别方法的两大缺陷：需要结合丰富的工程实践经验来提取泄漏特征；使用浅层模型难以表征大数据情况下信号与管网运行状况之间复杂的映射关系。研究工作为解决供水管网不同工况下泄漏信号的智能识别做了有益的探索。