铁路是国民经济的大动脉,安全防护工作的重要性不言而喻,目前铁路沿线的非法入侵行为主要依赖于有源设备、人工检测,维护工作量大,预防性、实时性较差,且危险系数高。应用分布式光纤传感技术(DOFVS)作为铁路沿线安全监测,具有监测距离长、抗电磁干扰、几乎“零”成本维护工作等特点,有很强的竞争优势。由于这种感知技术敏感度高,铁路沿线环境复杂,背景噪声较严重,对感知到的影响列车运行安全的事件,存在一定的误报。随着大数据分析应用、机器学习等现代人工智能技术的飞速发展,对系统感知到的数据采取必要的技术处理,可以大大提升对异常事件的识别能力,降低误报率、避免漏报,为铁路的安全实时在线监测提供技术手段。本论文结合铁路沿线常见的异常事件信号特点,应用数字信号处理及人工智能技术,提出DOFVS感知数据分类、判断、识别的方法。具体工作包括:(1)根据铁路沿线光纤敷设特点设计实验场地及光纤铺设方式;仿真铁路沿线常见的入侵事件,完成信号采集工作,包括人员行走、汽车行驶、铁锹挖掘和挖掘机挖掘产生的四类振动事件及噪声信号。(2)提出基于稀疏分解正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法去噪,建立信号去噪标准模式,并进行软件代码实现,对比正交分解小波阈值去噪算法和集合经验模态分解方法的去噪结果,实验证明信噪比有大幅度提升,均方根误差几乎为零,平滑度较低,DOFVS感知信号的去噪效果明显。(3)对去噪信号进行时频分析,通过对数据归一化、分帧等预处理,加快算法收敛速度和有效信号纯度,改进自相关特征,使用均值相关系数判断分类,实现时域、频域特征提取;根据多特征联合的正交性及差异性进行特征重组,提出多维度特征最优组合方法。结果证明特征重组后,对汽车行驶事件、机械挖掘事件的识别率有所改善,分别提升了9.09%、6.25%。(4)提出采用极限学习机的分类识别方法,对铁路沿线常见的五种振动事件识别准确率有所提升,相比于基于随机森林等方法识别结果可有效降低误报和漏报,利用混淆矩阵评估模型准确率、精确率、召回率,证明基于极限学习机的分类器准确率100%,精确率95.89%,召回率0.00%。本文提出的以OMP去噪、多维度特征联合、极限学习机分类对DOFVS事件识别方法,有较好的优势,为铁路沿线实时监测非法入侵行为、周界防护提供技术保障。