针对相位敏感光时域反射计(φ-OTDR)分布式光纤扰动传感系统对扰动事件进行有效判别和识别的问题, 提出一种基于支持向量机(SVM)的扰动判别和扰动模式识别的方法。通过提取信号时域和频域的平均值、方差、均方差以及信号功率特征, 利用二叉树结构建立基于SVM算法的分类器, 对扰动进行判别并对扰动模式进行识别。根据传感信号的特征, 通过分类器I在对有无扰动信号进行判别的基础上, 进一步对有扰动信号利用分类器对扰动事件的模式进行识别。通过实验对所提出的方法进行验证, 对600组实验数据进行扰动判别和模式识别, 正确的扰动判别率在96%以上, 漏报率和误报率在4%以下; 正确的模式识别率均在94%以上。

阈值的准确设定是有效降低φ-OTDR分布式光纤扰动传感系统误报和漏报率的关键。针对该问题，提出了一种基于选择性平均的φ-OTDR分布式光纤扰动传感系统阈值算法，采用相关差值预挑选的方式确定信号模板，进行阈值模板匹配。理论和实验研究表明：提出的选择性平均阈值算法，能够更有效设定阈值，提高信噪比，降低φ-OTDR分布式光纤扰动传感系统的误报和漏报率，与直接平均和移动平均阈值算法相比，所提出的选择性平均阈值算法将误报率分别降低了5%和3%，漏报率均降低了2%；信噪比分别提升了2.55 dB、1.1 dB。所提出的算法有助于提高φ-OTDR分布式光纤扰动传感系统在实际应用中可靠性。

针对目前相位敏感光时域反射计(φ-OTDR)分布式光纤扰动传感系统难以对扰动事件进行有效判别的问题，提出一种基于多特征参量的扰动模式识别方法。作为识别依据的多特征参量包括平方差、短时过电平率、短时傅里叶变换以及扰动持续时间，对以上特征参量利用加权平均型综合评判函数进行模式识别，可以有效识别出应力破坏(敲击)、攀爬、浇水(模拟下雨环境)以及轻度碾压(模拟非破坏性人为扰动)四种扰动模式。对60组共240个实验样本进行识别，对以上四种扰动事件的识别率分别达到91.2%，88.3%，90%和86.7%。该方法克服了现有单一特征参量识别模式受限的问题，提高了扰动事件识别的准确性。