随着国家、社会经济的发展,各行各业对安全的需求日益旺盛。水利、电力、油气、矿产、通信、网络、金融、国防等基础设施的稳定运行需要可靠的安防体系来保障。光纤制作原料充足,且具有质轻耐腐等稳定优良的物理化学性质,基于光纤传感原理的光纤安防系统受到了市场与研究人员的关注。为提高系统对入侵行为的分类正确率,结合机器学习算法对不同事件类型分类识别成为主流研究方向,且取得了不错的分类效果。然而目前多数算法识别分类的研究工作中,算法与依赖专业人员的特征工程耦合度过高,使得安防系统面对不同场景的还需要进行专业调试,适应性不强。针对上述背景与问题,本文进行了下述工作。（1）对比分析三种相位调制类型的光纤传感器的性能与工作原理,结合工程实际情况选用了迈克尔逊型干涉仪。（2）分析采集到的五种信号数据的时域波形与频域振幅频谱特征差异。通过归一化、时频变换、二维折叠、可视化等数据处理方法确定了一维时域原始数据、时域数字矩阵、频域数字矩阵、时域波形、频域振幅频谱五种不同的输入算法模型的数据形式,用于支撑后续的算法验证工作。（3）阐释支持向量机和人工神经网络的细节原理。秉承深度学习思想的CNN,其网络模型卷积、池化获得的特征（特征的数量与质量）优于人工设计取得的特征,故将仅仅做了简单处理的raw data送入卷积网络进行识别分类亦可获得较好的结果。选用卷积神经网络用于信号识别,降低了人工特征提取与算法识别分类的耦合度。（4）设计构建了一种一维卷积网络模型与两种二维的简易残差网络模型。通过实验验证了数据的简化处理方式和选用CNN进行信号识别分类的可靠性和有效性。