相位敏感光时域反射仪(Φ-OTDR)具有灵敏度高和响应速度快的优点,适用于探测微弱振动事件,在周界安防入侵监测、油气管道泄漏监测、周边非法施工警戒等领域具有很大的潜在应用价值。但在现场条件下,仅仅发现或定位入侵事件已不能够满足需求,因此需要通过一定的数据处理方法来精准地识别事件类型,及时报警,减少误报漏报,使Φ-OTDR传感系统能够更好地满足工程应用中的实际需求。目前Φ-OTDR的信号处理方法仍然存在一些问题:一方面Φ-OTDR传感信号会受各种噪声的干扰,虽然以滑动平均和小波阈值为代表的去噪算法在很多场合能够取得较好的效果,但在噪声种类繁多复杂的Φ-OTDR工程应用环境中,尚存在一些问题没有彻底解决,例如算法中最优参数难以确定、对低信噪比信号去噪效果不理想、去除噪声的同时会使信号丢失大量高频特征。此外,需要检测的入侵事件一般是瞬态事件,其对光纤造成的扰动只持续一段时间,在整个时域信号中所占的比重极低,如果不加区分地将所有数据用作后续的事件识别,会因大量冗余数据的存在而严重影响识别算法的效率和准确率。另一方面,在特征提取时通常会提取到一些对分类贡献比较小或者没有贡献的特征,且对于不同的目标事件,其最具代表性的特征也会不尽相同,因此必须选择合适的特征评价与选择方法,对每一个特征的贡献值进行评价,在去除对分类没有贡献或贡献比较小的特征的同时尽量保留具有代表性的特征,这样有助于提高入侵事件的分类准确率。针对噪声干扰和数据冗余问题,本文提出一套信号预处理流程,首先采用去趋势值方法消除激光器频漂引起的低频干扰。然后引入语音信号处理中的谱减法去除宽带背景噪声,并通过实验确定了算法中过减因子和增益补偿因子的最佳选取范围。谱减法只需要评估出噪声谱的特性,就能对低信噪比的信号取的很好的去噪效果,信噪比可提高20dB以上。最后提出有效片段提取算法,能够完好地保留只含有扰动信息的片段,去除冗余数据,降低数据量,为后续模式识别阶段使用复杂的算法提供了保障。在模式识别方面,本文引入过滤法(Filter)作为特征评价与选择的方法,确定了各种扰动事件对应的最优特征组合,并建立最优特征组合查找表。通过特征选择前后平均分类准确率的对比实验,验证了该方法的有效性。为解决以单一类型特征作为识别依据的算法中存在的鲁棒性差、分类准确率低等问题,本文提出一种基于复合最优特征和支持向量机(SVM)的模式识别算法,其中选取时域和频域(8频段)经特征选择得到的最优特征进行复合,使用SVM分类,能够基于普通埋地光缆,对人员走动、木棒夯击、挖掘机挖掘等四类事件实现准确率为99.2%的精准分类识别。基于LabVIEW和MATLAB完成了与Φ-OTDR振动监测系统相配套的软件平台开发,并通过此平台开展外场入侵事件的检测实验,对本文提出的信号预处理和模式识别方法进行验证。实验结果表明这些方法能够显著提高入侵事件的分类准确率,对Φ-OTDR技术的工程化应用起到技术支撑作用。