第三方入侵监测对于保障国家新基建的安全至关重要,分布式声波传感技术（DAS）具有传感覆盖范围广、灵敏度高、抗恶劣环境、无盲时盲区监测等优点,使其成为地下结构、轨道交通、管道等基础设施的第三方入侵监测主要技术手段。但是在DAS系统的实际监测过程中,强度衰落现象会使系统生成坏道数据,背景噪声会降低系统信噪比,干扰信号和鲁棒性不强的识别算法会降低事件的识别准确率。这三方面问题导致入侵事件的监测识别经常出现严重的误报和漏报现象,限制了DAS系统在第三方入侵监测中的应用。针对上述基建项目的安全监测需求和实用限制因素,本论文重点研究了基于光纤DAS系统的第三方入侵事件识别算法。提出了包括光纤传感信号预处理、入侵事件定位、多维特征提取,以及入侵事件模式识别等核心算法,实现入侵事件的准确定位与识别。主要研究工作包括:（1）提出了复杂环境下的光纤传感信号预处理算法。采用底噪和最大短时窗能量等特征分离静态信号和可疑信号,识别率达到100%;采用小波包能量特征去除坏道数据,去除率达到98%;采用经验模态分解（EMD）去噪算法降低纹波噪声的干扰,传感信号信噪比提升近3倍,采用时域能量差异法定位入侵事件,实验证明定位误差小于5 m。（2）开发了基于光纤DAS技术的第三方入侵事件识别算法,包含特征提取和事件识别两个部分。其中特征提取部分由两种特征向量组成,一种是由小波包能量、特征频带、最大短时窗能量以及底噪组成的84维特征向量,另一种是由原始的时序信号组成的特征向量。基于84维特征向量设计了反向传播前馈神经网络（BP）和卷积神经网络（CNN）,基于原始信号波形特征向量设计了一维卷积神经网络（1D-CNN）。（3）搭建了基于光纤DAS系统的第三方入侵事件识别实验测试系统,使用Pytorch神经网络框架实现并优化了上述三类模型,测试了不同入侵事件的识别准确率,并分析了影响识别率的因素。实验结果表明,BP神经网络模型、CNN神经网络模型和1DCNN神经网络模型的事件识别准确率分别达到82.47%、83.95%和93.33%。