目前,在分布式光纤传感技术的应用中,对外界扰动事件的监测是一个研究的热点。其中,相位敏感光时域反射计（Φ-OTDR）具有高分辨率、高灵敏度、远距离传感和多点振动信号定位检测的独特优势,广泛应用于分布式振动传感的学术研究和工业领域。Φ-OTDR系统对光相位变化极其敏感,当发生外界扰动时,散射光的强度会随扰动而改变,其包含的频率、相位等参数也会受到波动,扰动信息可通过解调光相位来获取。本文对Φ-OTDR的相位解调算法进行了相关研究,主要工作如下:首先,本文提出了一种单通道直接探测Φ-OTDR的动态相位解调算法。在传统的相位解调方法中,通常需要借助多通道同步检测采集系统或对信号进行相干检测、干涉测量等操作,极大地增加了解调系统的成本,从而导致应用场景受限。因此,本文设计了一种单通道动态相位解调算法,通过利用来自振动影响区域传感序列之间的冗余信息,将传感序列的局部极值点（LEPs）分成两类。第一类局部极值点（LEP-I）是由扰动所引起的相位变化继承而来,与光强信号采集点位置无关。而第二类局部极值点（LEP-II）包含光相位信息,可通过反三角函数进一步重建相位。本文分别对仿真信号、调幅信号、调频信号以及单频调制的波形进行了实验,输入信号均可被正确解调,解调后的相位与理论值基本吻合,这表明所提出的单通道直接探测型Φ-OTDR动态相位解调算法具有合理性和可行性,并在应变测量中具有应用潜力,也为实现相位解调提供了一种易用性、普适性的Φ-OTDR单通道直接检测方法。接着,本文设计了基于卷积神经网络（CNN）的LEPs分类法。LEPs的分类效果受外界噪声影响大,实验表明在光强信号进行LEPs分类操作之前,信号的信噪比至少达到15d B。为了解决低信噪比下LEPs的分类问题,本文引入CNN对LEPs进行二分类。实验表明,在单通道中采集3个传感序列的光强信号,并加入信噪比为3d B的噪声时,LEPs的分类准确度为84.8%。当保持信噪比不变,采集传感节点数目增加至5个时,LEPs的分类准确度达到92.67%,说明低信噪比下CNN能对光强信号的局部极值点准确分类,从而克服了低信噪比下因LEPs分类困难所引起的相位解调失败问题。