针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题，本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处理操作后得到的一维信号，直接通过 MS 1-D CNN实现端到端的振动信号特征的提取和识别。 MS 1-D CNN在提取入侵振动信号特征时可兼顾信号时间和频率尺度，利用全连接层 (FC layer)和 Softmax层完成最终的识别过程，与二维卷积神经网络 (2-D CNN)和一维卷积神经网络(1-D CNN)相比减少了待定参数数量。对破坏、敲击和干扰三类目标振动事件的光纤振动传感信号识别结果表明，MS 1-D CNN的识别正确率与 2-D CNN相近，达到了 96%以上，而处理速度提升一倍，在保持识别性能的前提下，有利于提高振动事件识别的实时性。

为了利用分布式光纤振动传感技术进行光纤复合海底电缆(简称为海缆)锚害故障检测，开展了海缆运行现场的锚害试验。用550吨的货船和1 000 kg的船锚模拟了锚砸和拖曳事件，用基于相位敏感光时域反射计(Ф-OTDＲ)技术的分布式光纤振动传感设备对3.3 km三芯海缆内的光纤进行了实时监测，获得了海面平静、锚砸和船锚拖曳3种情况下，光纤振动信号的能量和快速傅里叶变换幅度谱在时间和空间上的分布数据，并对其进行了分析。结果表明，海面平静时能量和幅度都很小，锚砸时能量和幅度会产生短时上升且频率成分丰富，船锚拖曳时能产生较长时间的能量和幅度上升，但频率成分较锚砸少。分布式光纤振动传感技术可有效检测锚害故障。

High sensitivity of a distributed optical-fiber vibration sensing (DOVS) system based on the phase-sensitivity optical time domain reflectometry (Φ-OTDR) technology also brings in high nuisance alarm rates (NARs) in real applications. In this paper, feature extraction methods of wavelet decomposition (WD) and wavelet packet decomposition (WPD) are comparatively studied for three typical field testing signals, and an artificial neural network (ANN) is built for the event identification. The comparison results prove that the WPD performs a little better than the WD for the DOVS signal analysis and identification in oil pipeline safety monitoring. The identification rate can be improved up to 94.4%, and the nuisance alarm rate can be effectively controlled as low as 5.6% for the identification network with the wavelet packet energy distribution features.