机器学习已经应用于光纤分布式振动传感器的模式识别,有效提升了光纤分布式振动传感器在周界安防、油气管道监测、结构健康监测、轨道交通物联网、交通流量监测、地震波监测等应用中的振动事件识别能力。但在工程应用中,现有振动信号特征提取方法的效率与模式识别算法的泛化能力仍存在限制问题,目前模式识别算法的训练仍需要大量实验样本与标记;另一方面,目前光纤分布式振动传感器实现振动频率测量存在方法复杂与器件成本高的限制瓶颈。将时间信号转换为二维图像,能够在保留信号对时间依赖性的同时,挖掘信号的空间相关性与不同时间间隔的时间相关性,显著放大信息特征。基于二维图像的振动事件模式识别凭借深度特征提取的技术优势,能够实现更高的抗干扰特性,但现有应用于光纤分布式振动传感器的二维图像模式识别技术仍然存在原始信号需要进行降噪预处理、二维图像构建复杂、处理时间较长的问题。本文针对相位敏感型光时域反射计（Phase-Sensitive Optical Time Domain Reflectometer,φ-OTDR）光纤分布式振动传感器模式识别问题,将一维时域信号转换为二维图像,基于卷积神经网络（Convolutional Neural Networks,CNN）实现振动事件模式识别,有效减小训练阶段对样本与标记数量的依赖,消除对数据预处理的依赖,有效提高了模式识别准确率,减少了识别的时间。同时,将不同的振动频率的振动视为不同分类,将振动频率测量问题转化为振动模式识别问题,实现了基于全软件方法的振动频率测量,有效降低振动频率测量的复杂性与硬件成本。本文的主要研究工作包括以下四个部分:（1）研究了基于格拉姆角场（Gramian Angular Field,GAF）、递归图（Recurrent Plot,RP）以及马尔可夫迁变场（Markov Transition Fields,MTF）三种将φ-OTDR光纤分布式振动传感器信号的时间序列转换为二维图像的方法。将不同的二维图像作为样本,构建了监督学习所需的样本空间;将不同振动事件作为标记,构建了标记空间。（2）研究了基于CNN算法的振动事件模式识别方法,搭建了适用于二维图像样本空间的CNN算法,通过监督学习分类任务实现振动事件模式识别与振动频率测量。（3）研究了基于CNN与图像处理的振动事件识别方法。通过实验数据构建了训练集与测试集,完成了算法训练,基于训练准确率、测试准确率、混淆矩阵、受试者工作特性曲线（Receiver Operating Characteristic,ROC）与ROC曲线下面积（Area Under ROC Curve,AUC）等性能度量指标对分类模型进行了性能度量。实现了对五种振动事件（吹风、下雨、直接敲击、间接敲击、伪振动）的有效识别。最优分类精度分别达到98.48%、96.63%、100.00%、95.00%、100.00%,平均识别时间为0.3128 s。研究结果验证了数据处理方法与机器学习算法的有效性。（4）研究了基于监督学习分类任务振动频率测量的方法。通过分类任务实现了对振动频率的测量,频率测量最优的平均准确率为99.38%。本文工作能够为基于人工智能的光纤传感技术研究提供理论指导与技术参考。