随着基于Φ-OTDR技术的分布式光纤声波传感系统DAS在通信光缆安全监测应用中的发展,近年来,DAS信号的特征和信息提取越来越受到人们的关注,因为它直接决定了后续目标识别的成败。如何有效提取DAS信号特征进行正确、稳定的识别一直是DAS在通信光缆安全监测应用中的最大难题。本文对国内外基于DAS的通信光缆安全监测现状进行了调研,发现DAS信号识别采用的方法目前只考虑了信号的人工特征或深度学习特征,忽略了两种方法能提取不同层次的特征,没有充分利用信号的所有信息,同时,有文献指出将人工特征与深度学习特征混合使用,可以达到比单独使用某类特征更好的效果。本文在这种思路启发下,提出了基于人工特征与深度学习特征共同使用的方法来识别DAS信号,所做具体工作如下:（1）现在主流的DAS信号识别主要使用人工特征或者是深度学习特征,单独使用人工特征严重依赖于专家知识,包含的信息不够充分,而单独使用深度特征存在严重的过拟合问题,深度学习方法不够可靠,在这个基础上本文提出了基于人工特征和深度特征混合使用的识别方法,充分利用了DAS信号的有效信息。（2）基于人工与深度特征混合的DAS识别方法。利用现场信号建立数据库,首先在CNN网络正确率90.9%的条件下,提取网络中输入到全连接层之前的参数,再提取人工特征,将两类特征拼接在一起形成一个高维特征向量,多角度地反映DAS信号的特征,过多的特征可能导致信息冗余,因此本文采用特征选择的方法,每个提取的特征用F值和最大互信息系数的加权融合进行打分,筛选出重要特征,实验发现选前110维特征已经能够达到有效识别DAS信号的目的,通过XGB（极端梯度提升）进行分类,速度很快（10ms量级）,时效性可以达到系统和项目中的要求,平均准确率可达95%。（3）本文借鉴Google提出的wide and deep模型思路,进一步通过新网络实现人工特征与深度学习特征的混合使用,以此来实现DAS信号的高效识别。人工特征模块通过数据库离线提取信号的人工特征,仅更新权重参数,大大减少了训练时间,深度特征模块提取信号的深度学习特征,通过网络不断迭代网络中的参数,最后通过全连接层,识别事件的类型,选择合适的网络结构参数和损失函数,识别时间为10ms量级,最终准确率可达98.3%,又快又好,为解决DAS在通信光缆安全监测应用中的最大难题提供了一条有效途径。