事件识别是分布式光纤传感的重要应用，现有的模式识别手段存在泛化性差和对弱振动识别的准确率低两个主要难题。以马赫-曾德尔干涉仪为应用对象，从样本来源的角度改善传统的分类器，以时域信号经经验模态分解所得的本征模态函数构建训练样本，使用卷积算子提取信号的波形特征、频域特征、时频域特征，构建深度学习网络，并在相同的神经网络框架下以原始信号为输入设计了4个对照组。所提识别方案在测试集和验证集上对6种目标信号的准确率分别为97.02%和94.88%，泛化性和分类精度均处于最优状态。分类器的平均样本响应时间低于0.07 s，具备良好的可行性与发展前景。

相敏光时域反射仪（φ-OTDR）广泛应用于管道安全预警、光缆断点查找、清管器定位跟踪等场景，其传感光缆多埋于地下，土壤性质、传输距离、光缆结构等均对信号特征有所影响。本文研究了振动信号在土壤中的传播特性，探究了光缆结构、土壤湿度、传输距离等非事件因素对系统信号特征的影响。此外，从特征频段能量变化趋势的角度，研究了真实冲击振动与非事件性信号波动的区别，并由此提出了一种外部冲击振动的判别方法。

层绞式光缆广泛应用于电信、传感、工业监测等领域。研究层绞光缆的三维形状重建算法，对于光缆维护、断点查找、建筑物沉降监测、形变感知等具有重要意义。提出了一种层绞光缆三维形状重建算法，利用分布式光纤应变传感技术，测量光缆内对称纤芯的空间应变分布，根据纤芯的应变分布、几何排布，计算光缆等间隔离散截面的宏观形变（弯曲、扭转）。进一步地，根据宏观形变，利用Frenet框架进行光缆空间坐标的解算，最终获得三维形状信息。为验证所提算法的有效性，使用软件SOLIDWORKS对整个形状重建过程进行了仿真分析。仿真结果表明，在应变测量间隔10 mm的测量条件下，该算法可以重建300 mm光缆的三维形状，光缆末端绝对误差不超过2.61 mm。

提出了以长短期记忆网络（LSTM）与卷积神经网络（CNN）为主要框架的深度学习网络，基于该网络实现模式识别。LSTM-CNN以时域曲线及其短时傅里叶变换（STFT）结果作为网络输入，LSTM提取输入信号的时序特征，CNN提取时域曲线的轮廓特征及能量特征。实验中以相敏光时域反射仪（φ-OTDR）为传感系统完成数据采集。将LSTM-CNN与传统的人工神经网络（ANN）及CNN对比，LSTM-CNN在各项评价指标中均处于最优状态，实现了φ-OTDR模式识别的既定目标，为实际的工程产品开发提供了概念证明与演示示例。

利用相位敏感光时域反射计(Φ-OTDR)分布式光纤测试系统对城市输水管道安全预警与泄漏定位方法进行研究。通过分析所获得的时域信号、信号功率谱、信息熵、空频能量分布、高通滤波等不同特性,对输水管道进行安全预警与泄漏定位。在对上述各种信号参数进行深入分析和比较的基础上,提出利用空频能量分布这一参数进行输水管道安全预警与泄漏定位是较为有效可靠的方法。实验表明,这一方法在2 km的测量范围内定位的误差小于10 m。

基于模拟下变频器、数字IQ解调和反向传播(BP)神经网络,采用现场可编程门阵列结合数字信号处理器(FPGA+DSP)的数据采集和处理架构,提出了一种全嵌入式高信噪比(SNR)、高分辨率和低成本的外差型相位敏感光时域反射(Φ-OTDR)技术模式识别方法。针对外差型Φ-OTDR技术,使用DSP、FPGA及其外围硬件电路替代原有的GHz级高速采集卡和信号发生器,减小了系统的体积和成本。在此基础上,设计了基于时空域二维图提取形态学特征的方法,并采用BP神经网络进行分类识别;所提方法相对于传统的针对一维信号进行模式识别的方法误报率更低、识别率更高。实验结果表明,所设计的基于FPGA+DSP全嵌入式并行信号处理架构满足实时监测的要求,SNR高达12.43 dB,事件识别准确率达到97.78%。

论述了国内利用Sagnac干涉仪系统、Mach-Zehnder干涉仪系统、Φ-OTDR系统等分布式光纤振动传感系统在输运流体管道检测中的发展历程与应用现状。分析了不同测试系统在输油气、输水管道等应用领域的监测原理、应用特点, 阐述了分布式光纤传感技术在管道泄漏检测中的发展趋势。通过对当今国外该技术领域发展状况的分析, 得出了在Sagnac干涉仪系统、Mach-Zehnder干涉仪系统技术领域方面国内具有一定的技术优势, 而在最前沿的Φ-OTDR系统的研究上国内外不相伯仲的现状。