0 引言

       相位敏感光时域反射计（Φ-OTDR）是根据传感光纤中背向瑞利散射光相位的振动敏感特性，使用窄线宽激光器获得高相干性，对反向传输的瑞利相干散射信号进行解调的传感系统。Φ-OTDR具有探测距离远、定位精度高、铺设方式简单等优势，被广泛应用于测量仪器[1]、车辆检测[2]、输电线状态监测[3]、长距离油气管道检测[4]和周界安防等场景中。

传统的Φ-OTDR传感系统侧重于提升振动检测率[4]、定位精度[5]和传感距离[6]，而在振动事件识别分类性能方面难以取得突破性进展。基于深度学习的神经网络识别分类器具有大规模并行运算和自动提取特征的能力，使其在振动事件分类识别方面具有独特的优势，可用于Φ-OTDR的传感振动事件识别中。本文介绍Φ-OTDR振动事件识别系统中所采用的各种识别分类器的研究进展。

4 结束语

       当Φ-OTDR系统与数据处理、识别技术相结合使用时，其低成本、高精度、可利用已铺设光纤等优点逐渐凸显，成为管道状态监测、周界安防、输电线状态监测等领域的首选。本文着重介绍了近年来兴起的基于图形学的特征提取和基于神经网络的分类器进展情况，并对不同的神经网络识别性能进行了比较，发现CNN是目前使用最广泛、兼容性最好、综合性能较强的神经网络。未来Φ-OTDR系统将面临更加复杂的使用场景和监测任务, 结合不同的前置神经网络对时频域特征进行自动提取与优化、将传统分类器结构与神经网络相融合等方法将成为研究热点，并推动Φ-OTDR系统性能的进一步提升。