无砟轨道广泛应用于我国的高速铁路中,由于承载了高速列车的周期性动力荷载以及各种环境荷载,可发生砂浆层离缝、轨道板裂纹等病害,持续发展下去会影响轨道结构的稳定性,甚至对行车安全产生影响。目前的轨道病害监测主要依靠凌晨天窗期的人工排查,工作强度大、效率低。基于相位敏感光时域反射仪（Φ-OTDR）的光纤振动传感技术具有灵敏度高、定位准确等特点,已广泛应用于建筑结构监测和周界安防,同时为高铁线路状态监测提供了可行的解决方案。利用光纤传感技术实现轨道结构监测,对建立高铁线路主动维护机制和推进铁路运维的信息化具有十分重要的意义,有重要的应用价值。本文基于无砟轨道结构病害识别的任务,围绕着数据采集与处理以及病害识别算法进行了相关研究,具体内容如下:（1）调试Φ-OTDR采集设备,设计列车数据处理的方法。结合Φ-OTDR基本原理确定设备参数,使用滑动差分法定位和放大列车振动信号,用图像二值化和迭代的离群点去除法得到清晰的列车轨迹,对数据进行整理和压缩。在工务人员的配合下,完成光学里程到工务里程的映射。基于已有的标签和数据建立了包含五类病害信息和正常振动模式的数据集。（2）实现了基于特征工程和机器学习技术的病害识别算法。提取振动信号的时频域统计学特征、小波包能量特征和梅尔倒谱系数,构建多维特征向量,使用极端梯度提升树（XGBoost）等机器学习算法对六种事件进行分类,对比不同算法的表现。（3）将端到端的深度学习算法引入光纤传感信号模式识别。基于时域振动信号的特征,使用一种感受野提升的时域残差网络对病害数据集进行分类,达到了超越特征工程和机器学习方法的性能表现,证实了神经网络在病害特征提取上的能力。（4）提出一种多尺度卷积结构,对大卷积核横向扩展,用大小为3的卷积核提取细节特征,在扩大感受野的同时提升对不同尺度的适应性,并讨论对比了不同的特征融合方法对网络性能的影响。本文提出的算法在病害数据集上取得了良好的识别效果。本研究证实了利用Φ-OTDR技术对无砟轨道结构病害进行分类识别的可行性,提出的方法为下一步的研究提供经验和理论指导,对光纤传感轨道监测的工程化实现具有重要的现实意义。