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。

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。

利用基于马赫曾德尔(M-Z)干涉原理的分布式光纤振动传感监测系统，提出了一种光缆振动事件的识别方法。该方法解决了普通光纤振动传感监测系统不具备模式识别智能分析可操作性的问题。通过对光缆上的振动事件的分析对振动的事件识别建模，利用大量实验数据将振动事件分类，通过与这些振动事件的比较，实现对振动事件的识别。