应力和温度信息的高效检测对工业生产与环境监测等应用具有非常重要的意义。基于布里渊散射技术的分布式光纤传感技术能够实现对应力和温度的响应,具备极佳的应用前景和经济效益,因而受到了产学研各界的广泛关注。对于布里渊传感系统,布里渊频移的提取是十分关键的,它直接决定了能否准确地得到待测量,如温度和应力。然而基于洛伦兹拟合等传统算法的布里渊频移提取需要迭代,十分耗时。此外,传统的方法在信噪比较低时难以得到准确的结果。通过对分布式布里渊时域分析仪和机器学习算法的研究,本论文提出了一种基于卷积神经网络的布里渊频移提取技术并开展研究工作。该技术将布里渊时域频域信号视为二维数据进行处理,并从中直接得到一维布里渊频移信息。本论文首先对卷积神经网络在布里渊传感系统中的应用需求进行了详细地分析,为使网络能适用于不同噪声强度的二维信号并完成到一维的变换,构造了由多个残差块和1×N卷积层为主的网络模型。随后建立了大量不同信噪比、布里渊频移、增益谱宽下的布里渊传感系统的仿真数据对网络进行训练,并根据结果不断对模型进行调整,以提高网络性能。测试阶段,通过1224组不同的仿真数据对网络效果进行了全面分析,发现该算法在不恶化空间分辨率的前提下,布里渊频移提取精度能达到甚至超过洛伦兹算法。此后,搭建了25km的布里渊时域分析仪系统,使用十余组传感数据验证了算法性能,实验结果表明:该算法能够在7s内精确地提取出布里渊频移。当泵浦脉宽为30ns、信号信噪比为10.5d B时,不确定度低至0.5MHz。与其它大部分机器学习方法相比,该算法能直接在任意布里渊系统上使用而无需重新训练,因而具有更强的普适性和应用价值。