为避免凭经验盲目确定清管周期，造成过度清管现象的发生，基于结蜡过程的缓慢时序性，在研究生产数据参数与结蜡程度关系的基础上，通过改进K-means算法确定不同时序下的结蜡程度，并将数据引入卷积神经网络（CNN），利用CNN模型的特征提取和自适应学习能力，实现不同结蜡程度持续时间的在线更新，依据结蜡等级和清管周期的变化构建清管效果评价指数模型，实现了清管作业的事前预警。结果表明，不同管道在完整结蜡周期内的等级时间不同，周期长短也不同，体现了输入参数差异引起的结蜡程度不同，改进Kmeans算法将结蜡程度分为4个等级；本文模型的总体平均误差为0.781 d，小于RNN模型和LSTM模型的2.025 d、1.225 d；待评价管道的清管效果评价指数为0.828，说明本次清管效果良好。研究结果可为管道完整性管理水平的提升提供实际参考。