为解决分布式相位敏感光时域反射计系统现有事件识别方法对于相似振动信号识别困难这一问题，提出了一种基于多尺度特征融合的相似信号识别方法。在该方法中，原始信号首先通过经验模态分解和小波包分解被分解为不同频率范围内的子信号。随后，分别提取原始信号和子信号的时频特征和近似熵特征，并利用主成分分析法对所提取的特征进行融合。最后，通过构建一个6层轻量反向传播（BP）神经网络分类器，训练分类模型并利用测试集验证模型分类度。该方法对小车经过和行走等相似信号的识别准确率可分别达到98.5%和98.0%，对于敲击和摇晃差异性大的信号的识别准确率可达100%。相比于直接从原始信号中提取特征并结合时频图的卷积神经网络方式，所提方法的综合识别准确率分别提高了8.4%与9.0%，相似信号的识别准确率分别提高了13.5%与12.4%。结果表明，该方法在保证差异性大的信号的高识别准确率的基础上，显著提高了相似信号的识别准确率，对于拓展分布式光纤传感的应用范围有重要的价值。

相位敏感光时域反射计（Ф-OTDR）系统通常用于振动监测中，具有响应速度快和检测灵敏度高的优势，但受相干衰落效应的影响，导致振幅较低位置提取的振动信号相位信息失真。为此，本文提出一种基于宽带声光调制的高保真Ф-OTDR传感方案，实现对振动信号相位信息的高保真提取。该方案具有调制结构简单紧凑、相位延迟控制精确、频率分量灵活可控、不牺牲响应带宽和空间分辨率等优点。在验证实验中，灵活调制脉宽为100 ns，且同时将包含三个非等间距频率的多频探测光脉冲注入2 km的传感光纤，并以幅值评估的方式对多频拍频信号进行复用。结果表明，该方案中相干衰落的概率从17.541%降低到0.045%，并实现了对模拟振动信号相位信息的高保真重构。

在页岩气开采过程中，基于相位敏感光时域反射计（Φ-OTDR）的分布式光纤声波传感（DAS）系统是对水力压裂作业中产生的微震波进行监测的常用方案。为了提高Φ-OTDR系统测量振动信号的信噪比，提出了一种基于变分模态分解（VMD）和互信息（MI）的振动信号去噪方法，对数字正交（I/Q）解调得到的相位信号进行进一步处理，VMD层数K通过去趋势波动分析（DFA）计算的标度指数确定，相位信号的失真和噪声通过剔除MI法确定的非相关模态进行抑制。并搭建了相干探测Φ-OTDR系统验证VMD-MI方法的去噪效果，分别对500 Hz单频振动信号和500、1000、1500 Hz多频振动信号使用VMD、小波降噪（Wavelet）、经验模态分解（EMD）、自适应噪声完备集合经验模态分解（CEEMDAN）进行处理。实验结果表明，所提方法对振动信号信噪比提升最为明显，在Φ-OTDR系统中具有良好的实用性。

基于相位敏感光时域反射计(Φ-OTDR)的分布式光纤振动探测是海缆锚害预警的重要防护手段。针对探测海缆锚害的入侵事件类型判别需求, 提出将反向传播(BP)神经网络分类器应用于基于Φ-OTDR的海缆防锚害系统中, 介绍了基于Φ-OTDR+BP神经网络分类器的海缆防锚害系统原理, 采用信号时域特征和时频域特征作为特征向量, 构建基于BP神经网络的分类器, 实现了对入侵事件类型的判别。试验结果表明, 分类器的模式识别准确率达到100%。

相位敏感光时域反射计(Φ-OTDR)凭借着传感距离长、铺设简单、耐腐蚀和抗电磁干扰等特点被广泛应用于分布式振动监测领域。随着传感任务多样化及人工智能的广泛应用, 对振动事件的类型识别成为研究的热点方向。为了使读者能更好理解识别分类器研究进展和发展趋势, 先后介绍了传统 识别分类器和基于深度学习的神经网络识别分类器, 对不同分类器性能指标、优缺点和应用场合进行了比较, 最后对Φ-OTDR振动事件识别研究方向进行了展望。

基于相位敏感光时域反射技术的分布式声波传感（DAS）系统可实现大范围分布式的声波探测，近年来，在油气勘探、地质成像、管道安全、周界安防等应用领域受到研究关注。本文论述了光纤DAS技术的传感原理，分析了单模光纤的衰落机理和性能瓶颈。针对此问题，分别介绍了多种散射增强光纤的增效机理与声波传感性能。进一步，围绕微结构散射增强光纤DAS系统，综述了其近年来的技术与应用进展，并展望了其未来可能的发展方向。

相位敏感光时域反射计(Φ-OTDR)已广泛应用在防入侵检测、建筑结构的裂缝健康检测和管道检测, 但其准确性和抗噪性能还需要提高。提出了一种基于Φ-OTDR的智能识别系统, 该系统采用神经网络算法进行智能识别, 并对振动强度进行识别概率化处理。实验结果表明: 提出的系统能够准确识别并定位入侵行为, 定位精度达到5 m以内。