光纤预警系统因其抗干扰能力强、高准确率的优点,在长距离实时监测的管道保护领域中得到了广泛应用。目前,普遍使用基于相位敏感光时域反射计的分布式光纤传感器感知外界的入侵振动,通过各种信号处理算法实现对光纤入侵信号的检测和识别。在各种振源类型中,机械入侵的危害最高且波形规律,因此关于机械信号的识别算法数量很多且识别率高。而在实际环境中,人工入侵行为发生的频率更高且波形复杂频率相近、不易被提取特征。本文对常见的人工入侵信号的特征提取展开研究,实现了敲击信号和过车信号的定向识别。为了可以同时识别多类人工信号,本文对多种信号处理算法进行了研究和改进。本文首先介绍了几种单一的参数特征,包括识别敲击信号的过均值率特征、一阶差分特征以及识别过车信号的短时平均幅差函数特征,根据信号特点设计不同的特征提取算法,实现了对单一光纤人工信号的定向识别。基于光纤人工信号时域差异明显、频谱分布相似的特点,本文提出采用小波多分辨率分析的方法从时域和频域上同时提取信号的特征。首先对预处理后的光纤入侵信号进行小波多层分解得到各频段的小波系数,之后计算能量占比获取特征向量,最后选择了一种随机向量函数链接神经网络对特征向量进行训练和测试。该算法可以有效识别多种光纤入侵信号,达到较高的识别率。另外,基于光纤信号非线性非平稳的特点,本文又提出了一种自适应性更高的集合经验模态分解特征提取算法。该算法可以根据信号自身的时间尺度进行分解,无需设定任何的基函数且解决了采集光纤信号时造成的模态混叠现象,有效识别了敲击、过车、小跑三类信号。在此基础上,我们引入了排列熵判断机制对算法进行了改进,根据序列的随机程度选择复杂度不同的分解算法,减少在分解过程中出现的冗余本征模态函数,最后通过仿真实验证明了改进算法在提高了识别率的同时减少了特征提取的时间消耗。