分布式光纤传感系统可实现对光纤沿线扰动的长距离连续检测,其中相位敏感光时域反射计（Phase-Sensitive Optical Time Domain Reflectometer,Φ-OTDR）已被广泛应用于石油管道、铁路沿线、高压线塔覆冰等安全监测领域。本文对Φ-OTDR中扰动事件的分类识别,开展了理论与实验研究,发现从小样本中学习入侵规则更具实际意义,因此本文选用支持向量机（Support Vector Machine,SVM）作为识别光纤中入侵信号的基础分类器,并针对SVM不足提出以下改进方案:（1）针对光纤中入侵信号的样本数量较少,维度偏高的问题,为实现实时、准确的扰动预警,提出基于特征筛选的SVM分类算法。首先,对差分前后的样本数据进行特征提取,包括均方根、能量、波形因子、脉冲因子等32个特征。然后,使用Relief F、Fisher、Laplace等三种特征筛选算法对输入特征进行评价,确定区分度高的特征子集。实验发现当Laplace算法选取20个特征进行分类时整体性能最优,相较于传统的SVM方案,准确率提升2.29%,误报率降低0.95%。即本方案可以有效减少数据维度与学习训练时间,提升信息集成度与系统识别精度。（2）针对处理具体入侵事件时误报率较高的问题,在测试分类阶段,分别将KNN（K-Nearest Neighbors）、AdaB oost.M1-KNN 与 SVM 算法相结合。首先,将特征筛选后的数据作为新数据集,在此基础上通过实验对比了 SVM中四种参数寻优算法,择优选取网格搜索方法获得最佳分类参数。然后,使用KNN-SVM算法进行事件识别,该方法利用KNN选取待测样本周围K个最近邻中,数量最多的前两类样本标签,配合SVM二元分类器确定待测样本的最终类别,相较于传统SVM,误报率降低4.83%,F1值提升2.36%。最后,在此基础上提出了 AdaB oost.M1-KNN-SVM算法,目的是改进SVM分类超平面附近的样本错分问题,相较于KNN-SVM算法,误报率进一步降低1.13%。综上所述,本文提出的基于Laplace特征筛选的SVM与AdaBoost.M1-KNN相融合的算法可以有效改进传统SVM分类器。该算法在处理光纤系统中真实的扰动信号时,分类准确率95.43%,误报率7.33%,可以对Φ-OTDR中的扰动事件做出较为准确的分类预警。