分布式光纤声波传感技术由于其具有灵敏度高、成本低、抗干扰性强、能进行大尺度实时监测等优势,在安防监测中具有广泛的应用前景。然而,在轨道交通、机械结构等较为复杂的场景中,大环境噪声干扰、声波非线性传播等问题严重影响了信号质量,使得声场信号难以被常规方法分析与识别。因此,需要研究适应以上场景、高准确率的信号定位与识别算法。本文针对大干扰环境下声信号难以被识别定位的问题,选定大尺度室外周界与小尺度复杂结构两类典型场景,开展声信号识别关键算法的研究,主要工作内容包括:（1）针对大尺度周界场景,分别设计基于EMD的信号轨迹提取算法以及基于小波分解与神经网络的模式识别算法,以实现信号的定位与识别。通过EMD分解信号,提取不同信号的关键特征分量,对环境噪声进行了分离,优化了声源轨迹的提取流程;对比了主成分分析与小波变换两种预处理方法,采用小波分解和小波熵计算构建特征量,最后通过分类网络模型进行信号模式识别,在对行人、小车、大车三类信号的识别任务中达到了95%以上的正确率。（2）针对小尺度复杂结构场景,设计基于全连接神经网络的震源定位算法,以解决传统定位方法失效的问题。将复杂结构进行分区,构建从信号到结果的映射关系;采用由全连接与Soft Max层组成的神经网络模型,提取信号更高层的抽象特征。在复杂结构上的定位任务中取得了95%以上的正确率,实验结果表明定位精度可达5m。（3）针对复杂结构中的多震源场景,设计了一个由卷积神经网络和多个全连接神经网络分支组成的多任务网络结构。通过多任务网络的分支分别完成多个区域的震源定位,并通过参数共享减轻了主干网络的过拟合。在训练过程中,采用drop-out层缓解了分支网络中出现的过拟合问题。最终网络在测试集上实现了99%以上的定位正确率,实现了复杂结构上的多震源定位算法。