随着分布式光纤传感技术的不断发展,其在周界安防领域中的成功应用也越来越多。以双马赫-曾德尔干涉仪为代表的分布式光纤传感技术因具有系统易于搭建、成本低、灵敏度高、探测范围广、不需额外供电和不受电磁干扰等优点,在桥梁健康监测、输油管道监测和机场围栏监测等领域得到了广泛的应用。本文以提高双马赫-曾德尔分布式光纤传感系统的扰动信号识别准确率为目标,研究并提出了两种基于深度学习的模式识别算法,之后通过实验进行了验证,有效实现了光纤扰动信号的分类。本文主要完成的研究工作可以分为以下几个方面:1)对双马赫-曾德尔分布式光纤传感系统的传感原理进行了介绍,并基于光波导理论和光纤的弹性理论,推导出了外部扰动与传感光纤的输出信号之间的关系,最后分析了进行扰动信号模式识别的重要意义。2)实地搭建了分布式光纤周界安防系统,进行了数据的采集。并对采集到的十种扰动信号进行了详细的介绍和分析,探究了信号模式的产生原理,为后续的光纤扰动信号模式识别奠定了基础。3)针对传统扰动信号识别算法的不足,研究了基于卷积神经网络的识别方法。提出了一种基于格拉姆角场（Gramian Angular Field,GAF）和卷积神经网络（Convolutional Neural Network,CNN）的光纤扰动信号分类模型,并针对六类已知扰动样本信号（刮风、小雨、大雨、敲击、撞击和拍击围栏）进行了实验验证。实验结果表明,该模型对于六类已知扰动信号的平均识别准确率达到97.67%。4)针对大多数算法缺乏识别未知类事件的能力,提出了一种基于卷积原型网络（Convolutional Prototype Network,CPN）的鲁棒性入侵事件识别方案。该方案实现了基于入侵信号相似性的端到端特征提取和识别,可以做到拒绝未知类扰动信号。实验结果表明,该方案在包含六类已知类别的目标数据集的平均识别准确度可以达到90.42%,且在四类未知类别的数据集（环境噪声,按压,周期性振动和踩踏）上的拒绝率约为90.63%。因此,该方案在识别未知扰动信号方面表现出巨大优势,并确保了复杂现场环境中入侵监测的准确性。同时,该方案的识别响应时间约为17 ms,满足实时监控的需要。