基于分布式光纤传感的周界安防系统能够灵敏地监测环境振动,通过光纤传感信号判断入侵事件。在实际应用环境中,光纤传感信号模式复杂且存在噪声干扰,需要设计模式识别算法对光纤扰动信号进行分类,发出入侵预警。如何设计区分度更强、更易于学习的信号特征提取方法,以及选择合适简便的算法设计分类器模型,达到更准确的识别精度是近年来的研究热点和难题。本文针对光纤传感信号模式识别的特征提取方法、分类器设计等方面进行研究,主要做了以下工作:首先,针对分布式光纤传感系统,总结了三种干涉型光纤传感系统的基本原理,分析不同传感结构在实际应用时的优缺点,搭建了双马赫-曾德（Dual MachZehnder）干涉结构的光纤传感系统,实现了扰动信号的灵敏传感。其次,针对扰动信号非线性非平稳特点,提出了基于多域特征提取+分类器设计的两级信号识别算法,采用多种特征提取方法分析信号,得到特征向量,时域特征提取方法包括信号短时能量和短时过阈值率,脉冲因子、裕度因子和峭度三种无量纲指标,以及小波域的小波包分解熵特征,经验模态分解得到的峭度特征;实现了支持向量机分类网络,对特征向量进行分类识别。然后,针对人工设计特征提取方法的局限性,应用深度学习算法提高识别准确率,提出并实现了两种端到端的信号识别网络架构。首先提出了一维卷积神经网络（1D-CNN）模型,实现了自动提取特征并取得了更高的准确率;之后在1DCNN的基础上,结合了自编码结构和降噪层的思想进行改进,提出了一维卷积堆叠降噪自编码器（1D-CNN-SDAE）模型。最后,根据搭建的双M-Z干涉光纤传感系统进行实验验证,采集了攀爬、敲击、拍打、撞击四种入侵事件和静止、下雨两种非入侵事件的光纤传感信号构成实验数据集,分别实现了提出的三种信号识别算法。经过实验验证,基于时域特征联合小波包熵特征的SVM分类算法准确率达到97.1%;基于深度学习的1DCNN端到端网络能够自适应提取信号特征,并将准确率提高到99.9%以上;1DCNN-SDAE结合一维卷积层和编解码结构提取信号特征,并提高了网络的抗噪声性能,具有良好的鲁棒性和适应性。