随着科技的高速发展,传感器犹如人类感知世界的神经,在生产生活中起着至关重要的作用,所以对传感技术的深入研究变得尤为重要。分布式光纤传感技术便是一支在传感器技术领域中快速崛起的新秀。基于相位敏感光时域反射计(Phase-Sensitive Optical Time Domain Reflectometer,φ-OTDR)的分布式光纤传感系统具有定位精度高、成本低、多点定位等优点成为当前光纤传感技术研究的热点之一,被广泛应用在管道监测、边防安全、地震预警、安防报警等领域。本文针对φ-OTDR分布式光纤传感系统对扰动目标识别误判的问题,通过多特征参量描述目标信号,提出了基于概率神经网络算法(PNN)的扰动事件模式识别方法,有效实现了对不同类型的扰动目标分类。并对φ-OTDR分布式光纤传感系统平台的部分器件进行了设计。在系统设计及特征信号预处理方面:首先以φ-OTDR分布式光纤传感系统及其信号模式识别为主要研究方向,从光的散射入手分析研究了φ-OTDR的传感技术及其输出信号的简单的理论研究,并利用MATLAB模拟仿真了φ-OTDR的输出信号及空域差分定位仿真。搭建了φ-OTDR分布式光纤传感系统实验平台,并设计了APD光电探测器,针对FPGA脉冲信号抖动问题分析设计了脉冲整形模块。对五种实际情况:挖盗、车压、敲击、踩踏、无扰动,进行扰动数据采集及分析,通过数据归一化、移动差分对输出信号进行处理,并提出了主波能量(MVE)、信号主瓣时延(MVBW)、信号主波峰峰值(MDV)、信号主波Q值(MVQV)、信号频谱(SFS)七种特征参量作为信号特征值。在特征信号分类识别算法方面:采取PNN概率神经网络算法模型进行分类识别,并对PNN概率神经网络、BP神经网络、GRNN广义回归神经网络进行对比,PNN在平均运行时间、识别正确率及模型准确率稳定性方面均有一定优势,得出PNN概率神经网络在目标分类识别中的明显优势,对PNN进行了识别测试,三个监测点的敲击、过车、挖盗、踩踏、无扰动五种扰动模式的实验的平均识别率分别为:91.21%、92.50%、90.96%、95.88%,平均识别率在90%以上。针对PNN中的平滑因子的取值对网络性能的影响问题,提出利用模拟退火算法(Simulate Anneal,SA)对平滑因子进行寻优处理,通过数学模型进行实验验证了SA算法对全局寻优的能力。利用经过优化得到的SA-PNN算法进行外场实验,得到三个监测点的敲击、过车、挖盗、踩踏、无扰动五种扰动模式的实验的平均识别率分别为:95.02%、97.33%、93.60%、99.12%,准确率优于PNN算法。在准确率稳定性上SA-PNN算法比PNN算法更加稳定。