21世纪以来,光纤及通信领域迅速发展,伴随着互联网产业及终端的逐渐普及,以光纤传感为基础的分布式光纤传感系统快速兴起,正慢慢随着互联网的发展走进千家万户并投入日常使用。基于受激布里渊散射光时域分析(Brillouin Optical Time Domain Analysis,BOTDA)的光纤传感系统携带光信号传输信息。整体系统以光纤为传输介质,测量时将传感光纤放置于被测物体表面或内侧,通过数据采集和处理,得到待测物体在光纤上表现的温度和应变信息,并具有全尺度连续性、长距离测量等优点。其应用范围广泛,可用于如测量桥梁、隧道、公路、石油管道等领域,可实现最高上百公里的长度上的全分布式测量。随着现代互联网及数据处理技术的逐渐成熟,可在传统测量基础上应用机器学习等技术进一步提高温度和应变的准确性。本文首先分析了布里渊散射的原理以及BOTDA系统的工作原理,用LabView软件方式来控制数据采集卡(NI公司PCI-5114数据采集卡)的采集工作,完成了BOTDA系统的数据采集,获取光纤上各点的温度信息。第二,在不同的温度环境下采集不同的布里渊散射谱,基于非布里渊频移拟合而直接提取温度的方法,使用了不同的神经网络直接提取温度特征。将光纤放在16.5?C到80?C恒温水浴锅加热,采集布里渊散射谱,以不同温度下布里渊散射谱信号及对应温度作为高维训练集进行训练,获得温度特征模型。结果表明基于径向基神经网络方法的均方根误差较小,随着步进频率的增加,均方根误差增长缓慢,并减少了计算步骤,并在一定程度上提高了收敛性。第三,将BOTDA三维图像的俯视图利用深度学习目标检测技术进行突变点的检测,通过对图像层次上的特征提取,可以直接获取突变点的位置信息。实验通过将图像以及标注的突变点范围进行训练,得到模型可以直接预测新BOTDA俯视图图像的突变点。第四,通过对神经网络提取温度信息的实验进行分析,在等间隔扫频策略的基础上提出了基于高斯中心化以及方差价值权重法两种扫频策略。实验在相同环境下,按上述三种方法分别取得281个点,每种方法通过相同的神经网络结构,循环训练10次并测试误差。结果表明,方差价值权重化方法优于高斯中心化和等间隔扫频方法。本文主要基于机器学习和神经网络对布里渊散射谱提取温度的过程进行不同阶段的讨论和分析,对温度提取过程提出了一些新方法并有利于温度测量精度的提高。