基于相位敏感型光时域反射仪(Phase-sensitive Optical Time Domain Reflectometer,Φ-OTDR)的分布式光纤传感器,由于结构简单、能耗低、抗电磁干扰、精度高、传感距离长等优点,被广泛的应用在油气管道安防和周界安防等安防领域。但是在实际的应用中,一些环境噪声和无害的人为活动会造成误报警。为了减少传感系统中的误报警,本文引入了支持向量机和神经网络两类算法对报警信号进行识别,区分报警信号是真报警还是误报警。实验验证两类算法都可以很好的区分系统中的各种扰动事件从而降低误报警率。本文完成的主要研究工作如下:(1)介绍了Φ-OTDR系统的原理,根据Φ-OTDR系统仿真信号介绍了传感系统的原理。根据实际应用场景中最常出现的扰动信号,设置了模拟实验。共设置了五种扰动信号,分别为:浇水、敲击、攀爬、碾压以及背景噪声。对采集的五种扰动信号分别进行归一化处理,数据划分,差分处理以及小波包分解处理。对处理以后的信号提取特征值,在时域和频域一共提取了40维特征值,并对特征值效果进行分析。(2)提出了一种新的支持向量机(SVM)多分类方法:临近种类支持向量机(NC-SVM),并与常用的一对一(1-v-1)的支持向量机多分类方法进行对比。对一对一多分类方法进行识别测试,五种扰动事件(浇水,敲击,攀爬,碾压和背景噪声)的识别精确率分别为94.36%,94.57%,90.36%,94.26%,97.35%。对NC-SVM方法进行识别测试,五种扰动事件(浇水,敲击,攀爬,碾压和背景噪声)的识别精确率分别为94.63%,95.82%,91.74%,94.13%,99.82%。平均识别精确率为95.23%,误报率为4.77%。相比于一对一多分类方法,平均精确率有较明显的提升。(3)提出了一种结合了fisher特征值筛选方法和极限学习机算法的扰动事件识别方法,并对该方法进行识别测试。实验结果表明该方法能够有效的对五种扰动事件进行识别。五种扰动事件(浇水,敲击,攀爬,碾压和背景噪声)的识别精确率分别为92.74%,96.72%,93.77%,93.85%,99.61%。平均识别精确率为95.34%,误报率为4.66%。与实验中采用的BP(back propagation)神经网络和广义回归神经网络对比,所提出的方法在识别精度与实时性方面更具优势。