分布式光纤振动传感系统的主要应用形式为相位敏感光时域反射（Phase-Sensitive Optical Time-Domain Reflectometer,Φ-OTDR）,其感知器件为光纤,具备功耗低、抗电磁干扰的独特优势,可实时监测外界各种类型的振动,在周界安防、输油气管道泄漏监测、城市管廊以及建筑物结构健康监测等领域具有重要的应用价值。目前,该系统尚存在振动信息获取不准确、系统信噪比较低、识别算法准确率和效率较低等问题,因此对振动信息的准确提取和有效模式识别算法的研究至关重要。本文的主要研究内容包括在Φ-OTDR系统中采用正交相位解调的方法实现对振动信号的准确还原,采用变分模态分解（Variational Mode Decomposition,VMD）与排列熵相结合的方法去除系统的随机噪声,采用Wavenet波网络深度学习算法实现对时间-空间振动数据模式识别,仿真和实测效果良好,最终达到对不同振动类型的精准、快速的模式识别,有助于Φ-OTDR系统在实际应用中发挥其最佳的工作性能。具体的工作及结果如下:1.推导了外差相干Φ-OTDR系统探测振动信号的工作过程,分析了系统中的偏振衰落噪声与相干衰落噪声。2.采用正交（In-phase/Quadrature,I/Q）相位解调方法,以压电陶瓷模拟振动源进行实验验证。结果表明该相位解调方法能准确解调出单频扰动（10Hz～1500Hz）以及混频扰动,且扰动幅度和解调相位幅度呈正相关,线性拟合度约为0.9879。3.将排列熵应用于VMD算法中,以确定最优分解层数K值,实现去噪功能。并通过仿真对比分析了经验模态分解（Empirical Mode Decomposition,EMD）、完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition,CEEMD）算法、改进的集合经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）算法应用于去噪的效果。结果表明,VMD去噪算法具有最好的完备性和正交性,分别为0.1694和0.0030,有效抑制了EMD方法中的模态混叠和伪分量,信噪比高达17.0834dB;且相比CEEMD方法和MEEMD方法处理效率更高,计算时间较短,仅0.3331s。4.基于输入振动信号的时序性,将Wavenet模型应用于Φ-OTDR系统模式识别中,其内部的因果卷积结构能够充分分析输入信号的上下文关系,以提升识别的准确率;空洞卷积结构进一步扩大了模型对输入信号的感知范围;残差网络使模型更快收敛,以提升训练效率。从模型结构角度分析对比了一维卷积神经网络（Convolutional Neural Network,CNN）、长短期记忆网络（Long Short-Term Memory,LSTM）对时序输入信号识别的过程及优缺点。5.最后,搭建实验系统验证算法的有效性。采集行走、车轮碾压、电钻扰动、风吹、雨淋和触网六种动作,依次进行相位解调、VMD去噪处理后,形成50×50的时间-空间数组;制作数据集后,分别输入到一维CNN、LSTM和Wavenet模型中,进行训练和测试。实验结果表明,与一维CNN和LSTM相比,Wavenet识别准确率高达98.55%;且训练耗时较少,约为200s,测试耗时也仅为30ms,满足应用实时性的要求。该方法既具有高准确率又具有较高实时性,对于Φ-OTDR系统在非法入侵、非法施工破坏等实际场景中的应用具有重要意义。