光纤传感技术正一日千里地向前发展,其中,基于布里渊散射的分布式光纤传感系统在管道监测、国防和结构健康检测领域日益受到重视,并被应用于国民经济和国防工业。随着分布式光纤传感的距离增长,空间分辨率增加,传感信息也指数化增长,传统的数据处理方法无法满足传感系统的实时性要求。如何高效、准确地获取分布式光纤传感信息是其中的关键,近年来基于机器学习、神经网络的方案成为研究热点,本文研究正是在此基础上展开,主要内容如下:（1）为了降低噪声对后期提取布里渊传感信息的影响,分别采用小波变换、高斯滤波和先小波变换再高斯滤波的方法对实验数据进行降噪处理。实验结果表明,第三种方法在保证空间分辨率的同时,将实验数据的信噪比提高了约2.6d B。（2）传统的神经网络通常是随机初始化的,容易陷入局部最优和收敛速度变慢。本文提出了使用鲸鱼优化算法（Whale Optimization Algorithm,WOA）来优化神经网络的初始权值和偏置,防止网络陷入局部最优并加快收敛速度,从而改善神经网络性能。实验结果表明,经过WOA算法优化后的神经网络提取传感信息的均方根误差（Root mean square error,RMSE）和标准差（Standard deviation,SD）,相较于优化前的神经网络,分别降低了约35%和29%,并减少了约一半的网络训练时间。（3）针对WOA算法中种群分布不均匀和线性收敛因子不能平衡全局探索和局部开发的问题,提出了一种基于选择的种群初始化策略和非线性收敛因子的WOA算法,即基于混合策略改进的鲸鱼优化算法（Mix Whale Optimization Algorithm,MWOA）。通过不同信噪比的实验数据,证明了MWOA算法能够进一步提高神经网络的性能。与WOA算法、粒子群优化算法和传统神经网络相比,MWOA算法对神经网络进行了进一步的优化,传感信息提取的RMSE和SD分别比传统神经网络降低了约46%和43%,网络训练时间减少了约63%。