近年来,随着社会快速的发展,分布式光纤传感技术因其长距离连续实时检测的优点已广泛应用于桥梁隧道、输油气管道、铁路运行等的安全健康监测和周界安防的实时入侵监控等方面。在光纤的监测和监控过程中,源源不断而来的数据积累成了海量的光功率数据。为了充分利用海量历史光功率数据,可以应用大数据技术来给光纤检测提供有价值的信息。本论文以实际项目为背景,以实时检测为目的,基于光纤大数据对实时检测光纤事件和预测光纤损耗进行了研究。论文主要内容如下:(1)根据大数据与深度学习之间的关系,通过深度学习中的DBN模型对光功率数据进行分类。将光功率数据划分为了4个类别,分别是正常、应力、断点和扰动。随机抽取不同类型的光功率数据构成训练集与测试集,通过训练集训练DBN模型,再利用训练好的DBN模型对测试集进行分类,并将分类结果与实际的类别标签相对照,得出DBN模型的分类准确率。(2)根据小波变换具有奇异性检测和对非平稳信号处理的特点,利用小波变换进行光纤事件的定位。对于应力和断点,属于静态事件,通过bior3.5离散小波对光纤数据进行6层分解,重构第6层近似部分,并对重构后的数据进行空间域差分,设置阈值进行定位;对于扰动,属于动态事件,通过gaus1连续小波对光纤数据进行处理,得到小波系数,计算相邻极值点的差值,并设置阈值进行定位。利用不同类型的光功率数据,分别对两种定位算法进行了仿真验证。(3)将分类与定位相结合,给出了光纤扰动检测的总体流程,即获取光功率数据,通过DBN模型对经过重采样和归一化处理的数据进行分类,并根据分类结果用不同的定位算法进行定位,最终输出包含事件类型和事件位置的检测结果。为评估检测算法的实时性,对光纤检测进行了实验验证。(4)为了提高光纤损耗预测的准确度,构建了线性最优组合模型进行预测。将灰色模型GM(1,1)、ARIMA模型和Elman神经网络通过一定的比例系数进行组合,进而得到组合预测模型,其中,各比例系数的值是通过遗传算法求得的。利用某中继段连续11年各季度的光纤损耗测试数据分别对各个模型进行了预测实验,并计算了各模型的预测误差。实验结果表明:(1)DBN模型的分类准确率为99.55%,可以有效地对光功率数据进行分类;(2)光纤系统的传感距离为100 km,SR为50 m,对于长距离光纤而言,定位算法的定位误差是可以接受的;(3)对每组光功率数据进行检测的时间约为10 ms,可以达到实时检测的目的;(4)与各单项预测模型相比,组合预测模型的预测误差更小,预测准确度更高。