目前,油气资源的管道运输已经是我国资源调配体系中的重要一环,相比于传统的运输方法,管道运输具有经济适用,铺设简单的特点。但由于油气资源的易燃易挥发性,随着经济的发展,由施工等人类行为对管道产生的威胁也日益增加。因此,获取一个高精确度,高灵敏度,高时效性及高稳定性的新型预警设备对油气管道进行监控十分重要。为了解决上述问题,分布式光纤预警系应运而生。其具备的预警范围大,精准度高,抗电磁干扰,占地面积小,经济廉价的优点,让它得到了社会各界的广泛关注。光纤预警系统使用埋设于地下的分布式光纤传感器对地表振动进行定位和采集,并通过对采集的振动信号进行进行分析,以实现对入侵振动的位置定位和振动源类别分类。由于光纤预警系统的工作环境较为复杂,例如常铺设于公路铁路沿线附近,因此信号信噪比较低,因此设计一种精确可靠鲁棒性强的识别算法就具有很高的应用价值和学术研究意义。基于此,本论文提出了一种基于时频变换的光纤信号特征提取方法及一种基于截断奇异值分解(TSVD-SCN)的随机配置网络(SCN)模型,有效的提升了对光纤信号的识别准确率。实验结果表明,该算法可以满足光纤预警系统的低信噪比高识别精度的要求。本论文研究内容如下:本论文首先介绍了光纤预警系统项目的选题背景,总结了光纤预警系统在国内外的应用情况及研究现状,阐述了光纤振动信号识别算法方面所存在的问题及难点,强调了设计一种高识别准确率的光纤信号识别算法的难度和需求。之后介绍了光纤振动数据的特征提取方法,根据传统傅里叶变换对于非平稳的光纤信号所存在的局限性,提出了一种基于时频变换的光纤振动信号特征谱线提取方法。该特征不仅可以从时频空域多角度表征信号,还可以满足光纤信号非平稳的特性,提升了后续识别算法的性能。最后,本论文介绍了随机神经网络的发展历史及随机神经网络相比传统识别方法的优越性。并针对随机神经网络所存在的泛化能力上的局限性提出了一种基于截断奇异值分解的改进模型,消除了网络输入的冗余信息,实现了对模型隐层节点的筛选,提升了网络的鲁棒性,使其可以满足光纤预警系统低输入信噪比高输出精度的要求。并基于此引出了本论文的研究思想及内容,通过对比试验,比较了传统方法,随机神经网络及本论文的方法对光纤振动数据的识别结果,实验结果表明,本论文所提出的算法对于光纤信号具有较高的识别精度和较强的鲁棒性,因此该算法具有较高的实用价值。