基于相敏光时域反射仪（Φ-OTDR）的分布式声波传感系统（DAS）被广泛应用于安全监测。真实环境中振动源时变与干扰时刻存在,导致采集的DAS传感信号比在安静环境或实验室环境中更易出现未知畸变和冲击,这意味着实际环境中信号实际蕴含的振动模式易被其它干扰振动源的振动模式掩盖,信号特征易被其它干扰振动源的特征模糊化甚至擦除,使得时变、多振源干扰的复杂环境下振动源识别难度大,识别率亟待提高。为了解决这一问题必须提取更丰富、更典型的特征以支持振动源的模式分析,但现有算法难以完全自动、智能地同时提取结构特征和时序特征。因此本文提出了一种自动、智能地同时进行DAS传感信号多尺度结构特征提取和时序挖掘的方法——基于改进后的多尺度卷积神经网络-隐马尔可夫模型的复合算法（m CNN-HMM）,该算法可挖掘更丰富的特征支持模式分析,实现复杂的实际环境下DAS振动源识别,本文具体工作如下:（1）优化现有结构特征提取方法,实现多尺度结构特征提取。改进了现有多尺度卷积神经网络（MS-CNN）,提出的多尺度卷积神经网络（m CNN）可对DAS传感信号进行更丰富的多尺度结构特征提取,避免了MS-CNN由于忽略不同尺度结构特征间深层联系而引起的特征遗漏问题。（2）在结构特征提取的基础上,完善时序挖掘环节。在m CNN的基础上增加隐马尔可夫模型（HMM）进一步挖掘事件演化的时序关系,提取DAS传感信号的时序特征并实现振动源分类。在m CNN的基础上增加HMM算法,填补了时序挖掘的缺失,实现了结构特征和时序特征的同步提取与DAS传感信号的振动源识别。（3）整合mCNN和HMM模型,实现并从提取特征可分辨性和分类效果两方面评估m CNN-HMM算法。利用现场采集的DAS传感信号建立了一维振动事件训练集和测试集,在训练集上训练m CNN模型和各类振动事件的HMM模型至最优,实现m CNN-HMM模型构建。在测试集上将m CNN-HMM与人工+HMM、CNN-HMM、MS-CNN-HMM从两个方面进行对比:提出一种通用的定性、定量、可视化分析方法来评估特征,为识别结果的置信程度提供科学依据;计算多个分类性能指标来评估分类效果。最后得出结论:在满足实际应用中实时性要求的前提下,本文提出的m CNN-HMM算法在测试集上提取的结构特征平均预测概率距离达0.203大于其它三个模型,具有更高的特征可分辨性;进一步增加时序特征提取后在测试集上平均分类精度达98.1%,DAS振动源识别率优于其它三个模型。