相位敏感光时域反射计（Phase-Sensitive Optical Time Domain Reflectometer,Φ-OTDR）具备高灵敏度、高空间分辨率、监测距离长且可多点定位等优点,被广泛应用到长周界安防和管道监控等诸多领域。但基于Φ-OTDR的长距离安全监测系统普遍存在误报率高以及实时性差等问题,本论文将理论与实验相结合,以提升Φ-OTDR系统对扰动信号识别精度、降低误报率以及提高信号识别的实时性为目标,开展了基于以极限梯度提升（e Xtreme Gradient Boosting,XGBoost）为代表的boosting集成学习算法和以卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆神经网络（Long Short-term Memory Network,LSTM）为代表的深度学习算法的研究。研究工作对提升Φ-OTDR系统的性能具有重要的意义和实用价值。本文完成的主要研究工作如下:（1）分析了Φ-OTDR系统的原理,搭建了分布式光纤传感系统的实验平台,设计了浇水、敲击、攀爬、碾压、背景噪声等五种实际扰动信号类型,并对扰动事件进行了数据采集。对采集到的数据进行了归一化处理、经验模态分解、数据增强以及特征提取,为后续识别工作奠定了基础。（2）提出一种基于boosting集成学习算法的扰动事件识别方法,构建了自适应提升（Adaptive boosting,Adaboost）、梯度提升决策树（Gradient Boosting Decision Tree,GBDT）和XGBoost三种分类器模型。使用经验模态分解（Empirical Mode Decomposition,EMD）对信号进行分解,得到六个IMF分量和一个Res分量,在对每一个分量提取能量特征,并使用这三个算法模型进行识别。基于XGBoost模型的识别结果最好,浇水、敲击、攀爬、碾压、背景噪声五种事件的精确率分别为97.96%、95.90%、91.10%、94.84%和99.69%,平均精确率达到了95.90%,误报率为4.10%,识别时间为0.28s。（3）提出一种基于深度神经网络的扰动事件识别方法,构建了四种深度神经网模型,一维卷积神经网络（1D CNN）、单分支长短时记忆神经网络（SLSTM）、多分支长短时记忆神经网络（MLSTM）和多分支长短时记忆卷积神经网络（MLSTM-CNN）。实验结果显示,基于MLSTM-CNN模型的识别效果优于另外三种模型,浇水、敲击、攀爬、碾压、背景噪声五种事件的精确率分别为94.38%、94.40%、94.76%、95.25%和99.71%,平均精确率达到了95.70%,误报率为4.30%,识别时间为0.27s。