相敏光时域反射技术(phase-sensitive optical time domain reflectometer,φ-OTDR)是一种新型的分布式光纤传感技术,其优点是灵敏度高、空间分辨率高、传感距离长、动态范围大。基于φ-OTDR的分布式声传感器可以应用于光纤传送网络传输光缆状态检测,也可以应用于管道安全检测、边境入侵检测、建筑健康检测、微地震波检测等场景,其工业应用潜力巨大,因此,备受国内外研究人员关注。光纤传送网络本身不具有传输光缆状态的感知能力,如何实现在线检测和高效管理是维护人员必须面对的问题。本文针对这一问题,结合机器学习技术与φ-OTDR分布式声传感器为实际工程提供了可行的φ-OTDR智能传感网络解决方案。论文的研究内容和贡献如下:(1)设计和实现了基于外差相干检测的φ-OTDR数据采集平台。传统的做法是对外差检测得到的电信号直接采样,其缺点是数据采集卡采样率高至1GS/s,所以采样数据量很大。本文先对电信号模拟正交解调后采样,采样率可降低至10 MS/s,因此大幅减少了采样数据量,同时降低了数据采集成本。通过外界扰动实验离线验证了扰动定位方法和相位解调方法在平台中是可实现的。平台传感距离约为10 km,空间分辨率约为10 m,探测区域个数为1000。(2)建立了φ-OTDR在线数据处理系统。通过现场可编程门阵列对1000个探测区域进行在线相位差分解调,包括反正切、相位差、解卷绕、去低频和选通道,得到了含外界扰动的探测区域相位变化,通过集成测试验证了在线数据处理系统的正确性,进一步通过音频传感实验验证了含数据处理系统的数据采集平台具有声传感能力。(3)建立了φ-OTDR离线事件分类系统。数据集为建筑工地场景下5个类别(使用空气锤、使用电钻、使用金属锤、使用木锯、使用打桩机)的1000组训练数据和1000组测试数据。本文将极限学习机(extreme learning machine,ELM)模型和支持向量机(support vector machine,SVM)模型应用于φ-OTDR事件分类,比较了2种模型的分类性能、抗噪性能和运算性能。提出了ELM分类器是比SVM分类器更优的φ-OTDR智能传感网络可选分类方案,其具有分类准确率高、训练时间短、测试时间短和抗噪性能好等优点。