新时代的中国,一次又一次发展跨越,创造了史诗般的人间奇迹,同时又有深度学习与机器学习的飞速发展,越来越多的智能化设备走进我们的生活。光纤具有寿命长、耐机械操作、抗氧化等特殊功能,在高热、强烈电磁辐射和极其严酷条件下也可保证高水平的工作能力。相位敏感光时域反射（Phase Sensitive Optical Time-domain Reflectometer,Φ-OTDR）技术的DAS系统,同时兼具了响应速度快、探测距离远、动态灵敏度高等优势。另一方面,管道作为第五大交通运输方式,其在未来的能源基础设备建设工作中占有非常重要的位置。一旦发生管道泄漏事件,不仅会影响正常的供给工作,还有可能引发火灾等自然灾害,因此管道安全问题不容忽视。目前,将光纤传感技术应用在管道异常状态监测是非常重要的一个研究方向,所以本文将光纤传感技术与模式识别结合,在管道安全监测方面的异常状态定位和分类识别进行了优化。管道异常状态定位方面,通过提出的滑动窗口定位算法,将管道异常状态定位的漏报率、误报率降为0。扰动信号识别方面,提出的基于二叉树实现的分类算法,识别的平均准确率可以达到95.77%。本文的主要工作内容如下:首先,在Φ-OTDR分布式光纤振动传感技术的研发现状及其发展前景下,对Φ-OTDR现有的扰动信号定位方法进行分析研究,阐述其优缺点,为后续的定位算法优化提供理论依据。其次,在现有Φ-OTDR的扰动信号定位方法的基础上,引入滑动窗口定位方法,该方法针对振幅数据在短时间尺度上的平稳特性,实时分析振幅数据在时间和空间上的变化。通过实验,获得了管内外温差以及异常状态发生在不同位置流速的时空监测数据,确定了异常状态诊断窗口k和滑动窗口NS的最优值,大大降低了系统的误报警率,同时实现了不同情况下管道异常状态的识别和定位。最后,针对管道的异常振动,共选择无扰动、雨雪等极端天气、人为行走踩踏、电动小车经过、重物掉落五种扰动信号,得到原始数据后依次进行数据预处理和特征工程等工作,共提取26个特征。提出基于投票法的管道扰动信号分类,当选择80%的样本数据作为训练数据时,这五种管道异常振动识别准确率分别为98.72%、96.89%、92.78%、88.25%、96.67%。针对投票法存在弱分类器数量较多可能导致运算时间长、分类效果差的问题,提出了基于二进制编码实现的管道扰动信号分类方法。当选择80%的样本数据作为训练数据时,这五种管道异常振动识别准确率分别为99.13%、97.16%、95.70%、88.62%、95.29%。与投票法相比较,优势是减少了弱分类器的个数,降低了运算时间,但缺点为发现个别模式的分类效果有所下降。为了平衡弱分类器个数和分类准确率二者之间的关系,提出基于二叉树实现的管道扰动信号分类算法,将二进制编码与二叉树结合,实现一种基于二叉树的二进制编码方法。当选择80%的样本数据作为训练数据时,这五种管道异常振动识别准确率分别为99.60%、98.30%、95.29%、90.37%、95.27%。相较于前两种分类算法,该算法的分类效果最优且弱分类器数量远小于投票法所需的弱分类器数量。