基于相位敏感光时域反射仪（Phase-sensitive Optical Time-Domain Reflectometry,φ-OTDR）的分布式光纤传感系统由于兼具监测范围广、灵敏度高等优点被广泛应用于周界安防等实时动态监测领域中。随着光学系统的改进,如何在φ-OTDR系统中快速且准确地预警扰动以及减少系统误报现象,成为实际应用和理论研究中的重点和难点。在充分调研φ-OTDR信号处理相关文献后,针对目前扰动分类算法的不足之处,本文设计了基于时域卷积神经网络（Temporal Convolutional Network,TCN）、双向长短时记忆神经网络（Bidirectional Long Short-Term Memory,Bi LSTM）以及双注意力机制的端到端扰动分类混合模型,提高扰动事件分类准确率,从信号处理端提升系统性能。本文还结合了半监督学习,提升模型在少量标签样本上的分类性能,解决了系统中样本标记难且耗时的问题。（1）针对φ-OTDR信号的时空特性,提出了基于TCN-Bi LSTM的扰动分类网络。创新性地使用TCN中的因果膨胀卷积提取时域信号中的因果特征,利用Bi LSTM提取空域中的双向相关性,以融合后的时空特征作为分类依据。实验结果表明,与现有研究中具有代表性且分类表现好的3种网络相比,TCN有效提高了模型区分扰动与无扰动事件的能力,误报率低至0%;分类准确率也最好,为90.1%。（2）引入了双注意力机制,提出了通道注意力优化的TCN与空域注意力、Bi LSTM结合的扰动分类网络,以增加较少网络参数量为代价,优化了网络整体扰动分类表现。引入通道注意力机制进一步优化了时域特征的提取;引入空域注意力机制,使网络能够处理未分割的包含冗余信息的长空域序列,在提取空域特征时,聚焦于扰动信息。分类准确率为93.4%,误报率为0%,与TCN-Bi LSTM相比,准确率提高了3.3%,总体训练时间几乎不增加。（3）由于深度学习方案依赖大量标签数据,而在φ-OTDR系统中,无标签数据易得而标记样本耗时且存在标签不干净的问题。因此,将半监督学习与现有的扰动分类方案结合,提出了基于标签传播算法的伪监督初始化与基于半监督自训练网络的扰动分类方法。实验结果表明,在减少标签数据占比时,两种方法均能提高网络分类性能。标签样本占比低于50%时,半监督自训练网络表现更好,准确率最高提升11.4%,仍能保持0%的低误报率;标签样本占比高于50%时,伪监督初始化方案在准确率上表现更好,准确率最高提升1.8%。半监督自训练方法在误报率上表现最好,均低至0%。