形状传感技术是近年来传感领域备受关注的新研究方向，具有广阔的应用前景。文章提出了一种基于应变模态振型和误差补偿的形状重构方法，通过测量物体部分位置点的应变数据，采用模态理论实现应变-位移转换，进而重构物体形状。以长宽高分别为1 000，1 000和0.5 mm的钛合金板作为研究对象，通过ANSYS workbench18有限元仿真软件获取位移模态振型及应变模态振型，依据有限元仿真中位置点模态的相似性，采用K-means++聚类算法对应变测量点位置进行优化，在合金板上表面施加400 N的力使其产生形变。该算法的形状重构误差小于常规的均匀分布算法。采用径向基函数神经网络对误差和重构位移数据集进行了训练，依据拟合重构误差和重构位移的关系，补偿误差后重构误差不大于3.5%。

FBG形状传感器的铺设角度偏差导致曲率和挠率测量误差，进而影响形状传感器的重构精度。针对该问题，文章提出了一种基于鲸鱼优化算法(Whale Optimization Algorithm，WOA)的FBG铺设角度偏差自矫正模型。重构实验验证了所提方法的有效性，不同形状的远端重构误差分别从11.66和22.6mm降低至5.63和10.47mm，相对误差分别从2.56%和4.96%降低至1.21%和2.25%，相对误差从2.56%和4.96%降低至0.95%和2.06%。

光纤布拉格光栅（FBG）形状传感器的铺设角度偏差和标定误差影响检测点曲率和弯曲方向的测量精度，进而导致形状重构误差。针对该问题，提出了曲率和弯曲方向的误差修正模型，以及FBG铺设角度偏差和标定误差自校正模型。利用自校正模型优化FBG的铺设角度和标定系数，并将其代入曲率和弯曲方向误差修正模型，从而提升了形状传感器的重构精度。对模型进行了仿真和实验验证，误差修正后，不同形状的远端重构误差分别从11.66 mm、14.42 mm和22.6 mm降低为4.43 mm、5.67 mm和9.57 mm，相对误差分别从2.56%、3.1%和4.96%降低至0.95%、1.22%和2.06%。所提模型为FBG形状传感器重构提供了一种有效的误差修正方法，不需要复杂的实验校准过程，在FBG形状测量场景中具有较大的应用潜力。

针对光纤周界安防模式识别中机器学习算法依赖专家经验、现有深度学习算法学习关键特征能力不足的问题，提出了一种多注意力时间卷积网络（MATCN）识别模型。MATCN以时序信号为输入，通过利用通道和时序注意力优化网络学习机制，挖掘信号关键信息；在卷积过程中使用带泄露修正线性单元（Leaky ReLU）解决神经元坏死问题，提高模型的鲁棒性。搭建了基于相位敏感光时域反射系统（Φ-OTDR）的周界安防系统，模拟了攀爬、敲击、踩踏及无入侵事件。实验结果表明，MATCN的识别率达到了98.50%，识别时间为0.53 s，性能优于长短时记忆网络（LSTM）与融合卷积层的长短时记忆网络（CNN-LSTM）。所提方法能够有选择性地学习不同通道和时间片段中的关键信息，实现对周界入侵信号的准确、高效识别。

针对分布式光纤传感系统所采集含噪信号, 提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法, 引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构; 将含噪信号和重构信号求差得到虚拟噪声, 构造虚拟通道; 然后使用ICA对含噪信号和虚拟通道进行信噪分离, 得到最终结果。通过实验验证, 该方法与EMD-ICA, EEMD-ICA, MELMD相比, 能更好地消除信号中的噪声, 保留信号的特征信息。

为了提高布里渊光时域分析系统(BOTDA)在长距离监测应用中的实时性, 提出了一种基于压缩感知的布里渊光时域系统实时性增强方法。该方法包含稀疏表示、随机采样和信号重构三个部分。首先采用K-均值奇异值分解算法获得布里渊增益谱的稀疏表示, 然后通过高斯随机采样和正交匹配追踪算法进行布里渊增益谱重构。为了验证所提方法的性能, 仿真生成了不同信噪比水平的布里渊增益谱, 搭建了45km的布里渊光时域系统进行温度传感实验。仿真和实验结果表明: 在累加平均次数为100时, 所提算法将信噪比提升了6.37dB, 优于累加平均次数3000时的10.13dB, 对应测量时间减少了1/30; 采用8MHz步长数据重构布里渊增益谱, 该方法的重构结果与4MHz步长数据的相关系数为0.9992, 对应扫频时间减少了一半。所提算法在保证测量精度的同时提升了测量实时性。

光电复合海缆状态在线监测及故障识别是保障跨海输电和通信传输正常运行的关键。为了避免直接去噪导致的信号失真影响目标特征的提取，利用变分模态分解（VMD）算法直接从含噪的振动信号中提取特征。基于布里渊光时域分析仪的海缆振动信号模拟实验系统获得锚砸、冲刷、摩擦三种工况下的海缆振动信号。取三类振动信号各200组，利用VMD算法获得本征模态函数分量，并将各个分量的能量、能量熵、峭度组合作为特征向量。将80%的特征向量作为训练集，20%的特征向量作为测试集，并输入基于鸟群算法（BSA）的支持向量机（SVM）中进行分类。实验结果表明，相比其他SVM，BSA-SVM的分类准确率更高，可达到99.17%，且运行时间较短。