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。

提出一种基于多频优化分集（MFOD）算法的相位解调技术，搭建了环移多频相干光时域反射（MF-COTDR）系统，实验探究了MFOD算法对信号解调性能的提升效果。结果表明，MFOD算法不仅能够较好地还原相位信息，相较于传统的相位解调算法有超过9 dB的平均信噪比（SNR）提升，实现了33.3 pε/Hz^1/2的最小应变分辨率。此外，通过实验验证了基于MFOD算法的MF-COTDR系统对不同频率振动信号的响应性能，实验结果说明该系统具有良好的线性响应能力。

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。

本文针对光纤传感技术中相敏光时域反射仪（Φ-OTDR）数据采集受限的问题，提出了一种基于条件对抗生成网络（CGAN）的数据增强方法，用于在少量数据基础上生成大量训练样本。实验中采用Φ-OTDR完成数据采集，将采集到的真实数据作为CGAN的输入，网络通过自动提取信号特征，并在输入条件的帮助下生成逼真的信号数据。将生成数据和原始数据分别输入决策树、支持向量机、卷积神经网络等模型进行分类，实验结果显示，生成数据在各个分类器中的检测结果都得到了显著提升，有效提高了分类器模型的检测能力和性能，实现了Φ-OTDR模式的目标识别，并解决了数据采集困难的问题。本文研究为小样本检测提供了新的思路和方法，对其他光纤传感技术的应用具有借鉴意义。

相位敏感光时域反射仪（Φ?OTDR）已被广泛应用于周界安防以及轨道交通和管道监测等动态传感领域，进一步提升振动信号识别准确率对异常事件及时报警具有重要意义。针对长距离相干探测相位解调Φ?OTDR易受干涉衰落影响而导致误报率较高的问题，笔者提出了基于强度和相位信号混合输入的模式识别方法。所提方法使用多层感知模块提取强度信号中的衰落噪声特征，采用常规一维卷积神经网络作为对照模型。实验结果表明：使用强度和相位作为混合输入的模型对人工敲击、机械挖掘、人为行走和跳跃等4种事件的平均识别准确率可以达到98.8%，优于仅使用相位信号作为输入的一维卷积神经网络模型的平均识别准确率96.1%。采用强度信号辅助相位信号检测的模式识别方法可进一步提高Φ?OTDR的模式识别准确率。

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。

相位敏感型光时域反射仪（φ-OTDR）具有分布式传感、响应速度快、结构简单、检测距离长以及抗电磁干扰等特点，但在实际应用过程中，由于使用的是相干长度较长的光源，脉冲光的后向瑞利散射在光脉冲内部会发生干涉，且φ-OTDR受相干衰落、偏振衰落以及共模噪声等因素的影响，信噪比会急剧下降。因此，从φ-OTDR的工作原理入手，总结分析了近年来降低φ-OTDR系统各类噪声的方法，并对φ-OTDR系统降噪的未来发展方向进行了展望。