随着我国5G、物联网、工业互联网和数据中心方面建设需求的增加,光纤光缆作为通信网络建设的基础,成为国家经济发展的信息大动脉,为大范围环境感知和检测提供了良好的物理条件。通信光缆自身安全维护变得刻不容缓,而基于相位敏感光时域反射技术（Φ-OTDR）的分布式光纤声波传感系统（DAS）能够满足通信光缆安全监测的需求,可以实现通信光缆长距离、大范围和全天候的智能安防监测。但是,基于DAS的通信光缆安全监测系统在复杂背景环境下干扰事件的分类识别依旧面临诸多挑战。基于此,本文从时域、频域、时频域和模型系数方法出发,结合ANN算法对通信光缆典型干扰事件的DAS信号进行特征提取,相比于利用单纯的时域频域特征更为全面。在分类算法上,本文提出了一种基于模型融合的DAS信号分类识别模型,相较于利用复杂深度学习模型的传统识别算法对数据样本量要求更低。本文所做的工作如下:（1）从信号的时间特征和空间特性出发,研究基于DAS系统的通信光缆监测信号特征提取方法,提取信号在时域、频域、时频域以及模型参数的特征参数,从多维度提取信号的表征参数可以更好的描述信号特征。同时,为了弥补人工提取特征的不足,进一步利用深度学习方法对干扰信号特性进一步进行挖掘并分类,并从网络层数、激活函数和优化算法等方面对构建的ANN网络结构进行优化,提高模型性能。（2）在通信光缆的DAS信号识别中引入stacking算法对传统机器学习模型进行融合,在现场采集的通信光缆典型干扰事件数据集上进行测试,本文所提出的算法准确率达到了99.07%,比表现最好的传统机器学习模型XGB高了2.77%,结果表明了所采用的模型融合方法的有效性。（3）构建不同的参考模型,从不同的分类评价指标出发分析对比本文所提出的算法与参考模型对通信光缆附近干扰事件的DAS信号识别效果。从实验结果得出,本文提出的基于模型融合的DAS信号分类识别方法对通信光缆复杂背景环境中的4类典型干扰事件的识别效果优于其他分类模型。进一步地,验证了本文所提出的多分析域特征提取和深度学习相结合的特征提取方法的有效性。从实时性和稳定性出发,验证了本文所提出的算法适用于基于DAS系统的通信光缆安全监测的实际应用。