针对传统方法对压力容器气体泄漏声学特征提取不足、检测准确率低及结果不够稳定的问题，为了实现真实背景噪声下压力容器泄漏孔径大小评估，提出一种基于随机森林（random forest，简称RF）声学特征优选并结合RF框架和极限学习机（extreme learning machine，简称ELM）的容器泄漏孔径评估方法。首先，提取不同气压大小、不同采样位置下直径在0.1~1.5 mm之间泄漏孔超声信号的时域、频域特征值及梅尔倒谱系数（Mel frequency cepstral coefficents，简称MFCC）；其次，利用RF进行特征重要度排序并提取172个优选特征值；最后，将ELM作为RF的基学习器以提高ELM分类性能，实现亚毫米级别泄漏孔径大小的分类。结果表明：提出的方法能够有效评估泄漏程度且结果稳定，分类准确率可达85.79%； 相比于ELM算法准确率提升2.65%，准确率方差下降0.46，为压力容器气体泄漏检测领域提供一种有效的检测手段。