油气管道安全状况的实时监测是保障能源安全运输的重要手段,然而这类长距离管道大多埋设于地下,周围的环境复杂,干扰因素繁多。传统的传感设备以及信号分析处理方法已经不能满足实际需求,需要适应性更强、精度更高的信号分类识别方法才能更好地实现实时监测。本文提出的基于1-D CNN的油气管道安全事件分布式光纤检测识别方法具有监测距离远、系统寿命长、事件分类精度高、适应能力强等诸多优点。基于分布式光纤传感系统感知并采集得到的原始油气管道安全事件信号,通过简单的数据预处理,然后借助一维卷积神经网络(1-D CNN)提取事件信号的特征并完成分类。最后从多个角度对该方法进行优化,较好的解决了如今油气管道安全监测中面临的问题。具体主要完成了如下几个方面的工作:1.分析基于分布式光纤传感系统Φ-OTDR的油气管道安全事件检测与识别研究背景、现状与需求,深入调研了基于机器学习方法的油气管道信号处理研究现状,以及基于卷积神经网络的深度学习方法在油气管道安全监测领域的前景。2.根据Φ-OTDR信号结构特点,提出了基于1-D CNN的特征学习与事件识别方法。首先将原始的光纤传感管道数据抽取、分割并使用小波包降噪,然后基于此构建并训练1-D CNN网络,得到一个初步适用于Φ-OTDR信号的网络结构,相较于现有两种2-D CNN方法93.79%和92.2%的识别准确率,1-D CNN网络达到了95.19%的准确率。3.从网络深度、卷积核、激活函数等方面对构建的1-D CNN网络结构进行优化,提升网络的识别性能,得到优化好的分布式光纤油气管道安全事件检测识别网络,相较于优化前95.19%的识别准确率,优化后达到了97.53%的准确率。4.验证了本文所提方法对复杂环境中的管道安全事件检测识别的准确性和适应性,基于正确率、查准率、查全率、F1-score等指标与已有的方法进行了全面的对比分析,实验结果表明本文最后提出的1-D CNN+XGB的组合方法对复杂环境中的五类管道安全事件识别性能的综合评价指标F1-score的均值达到了99%以上,证明了其优越性。