分布式光纤传感器以光纤作为传感元件与传感信号传输媒质,能够实现远距离、大范围的传感,在缺乏通信、电力等复杂环境下也能以低成本实现高质量的传感,具有其它传感器不可替代的优势。但由于检测距离长、激光器光源噪声、外界环境干扰问题,分布式光纤传感信号伴随着大量非入侵的信号,导致系统虚警率高,因此分离出传感信号中的入侵信号是系统关键之一,有效的入侵信号提取算法,能够精准快速的从伴随非入侵信号的传感信号中分离出入侵信号,降低系统后期对入侵信号识别时的计算量,提升系统后期对入侵信号的识别率。入侵传感信号识别是系统另一关键点,是指对入侵传感信号种类进行识别。光纤传感系统对外界的传感反应在对光信号的相位调制上,这些传感信号波形往往极为相似,增加了种类识别的难度,也增加了系统的误报率。如何用综合性强的特征来表征光纤入侵信号,以及选择合适的分类器对入侵信号分类也是近年来的研究难点。本文从多方面对分布式光纤传感进行了研究,主要内容如下:1、分析光纤作为敏感元件的基本传感原理,研究了Sagnac型与其它几种常用的分布式光纤传感结构的传感原理,总结当前Sagnac型分布式光纤传感系统入侵信号模式识别现状。2、针对分布式光纤入侵信号提取不精确,常导致分离出的入侵信号含有多余信号,增加特征提取与模式识别计算量,降低系统对入侵信号的识别率,提出利用融合短时过电平和短时对数能量的LC(Level Crossing,LC)算法对入侵信号提取、分析了CA-CFAR计算自适应阈值的算法。3、在分布式光纤振动信号提取方面,采用小波变换、EMD分解,提取分布式光纤振动信号的峭度、能量、能量占比等频域特征,联合传统时域特征形成多维联合特征表征光纤入侵信号。4、构建支持向量机(support vector machine,SVM)与极限学习机(extreme learning machine,ELM)对入侵信号进行识别,对比了不同入侵信号特征组合在不同分类算法中的识别率与识别稳定性。