基于相位敏感光时域反射计(Φ-OTDR)的光纤预警系统通过分布式光纤传感器感知外界入侵事件。通过对光纤振动信号的处理,可以识别不同类型的入侵事件。目前对识别的研究广泛致力于提高识别的准确度,大多采用各种复杂的算法,精度提升的同时导致了系统的时间资源消耗加剧。特别是在长距离监测应用中,需要识别大量的光纤信号,系统的实时性面临挑战。本文针对识别算法的准确度和实时性不能兼顾的问题进行研究,并提出了一种基于应激反应的持续入侵事件的分级识别模型。同时,由于在分级识别模型中采用的神经网络在训练的时候存在一些问题,本文对随机网络领域最前沿的随机配置网络进行研究和改进。本文针对持续性的入侵事件提出了一种基于应激反应过程的分级识别模型。文章介绍了应激反应的作用机理,即通过分阶段消耗不等量的人体能量,实现对人体入侵病毒的有效抵御,同时分析了持续入侵事件和人体外界刺激作用的相似性。针对持续性入侵事件提出了分级识别模型,即把持续入侵事件的识别过程分阶段进行处理,不同阶段采用不同复杂度的识别算法。最终能够提高识别率的同时,使得时间消耗低于高复杂度算法。为了验证该模型的有效性,在实验中应用了具体的高复杂度算法和简单算法。实验结果显示基于分级识别模型的算法可以达到复杂算法的识别准确度,同时时间消耗大幅度下降。在分级识别模型中应用了神经网络,但是神经网络在训练的过程中存在一些问题。对此,本文将随机网络领域最前沿的随机配置网络应用于光纤入侵信号识别。随机配置网络用约束条件生成隐层节点参数,用停止条件控制网络规模大小,避免了由迭代优化和模型规模不确定等问题带来的弊端。但是在光纤入侵信号识别应用中,随机配置网络的约束条件和停止条件存在矛盾。对此本文对随机配置网络的隐层节点的配置方式进行改进,满足光纤信号的识别要求。本文针对持续性入侵事件提出分级识别模型,提升识别精度的同时能兼顾时间复杂度。针对该模型中神经网络的缺点,研究并改进随机配置网络,使其适用于识别光纤信号,对简便快速的应用网络模型识别光纤信号具有重要意义。