近年来,光纤周界安防系统发展迅速,其中,基于双马赫-曾德干涉型(Dual Mach-Zehnder interferometry)分布式振动传感器的周界安防系统因具有响应速度快、结构简便等优点得到广泛应用。该系统中的入侵模式识别功能的性能好坏主要依据特征提取阶段的特征描述方法,以及模式识别阶段分类器的选择。现在,急需提出一种能够识别多种入侵动作的高精度入侵模式识别算法。为实现高效、精准和功能丰富的目的,本文在考虑光纤信号特点、算法复杂度等方面,提出三种入侵识别算法。本文提出一种基于综合特征的入侵事件识别方法,该方法引入全相位滤波器组将输入信号并行分解为多个频率通道,以提取这些通道的归一化功率值;进而与信号过零率相结合,构成包含时域信息、频域信息的综合特征向量;最后将该特征向量馈入径向基函数神经网络即可准确识别出攀爬、敲击、晃动、剪切四种常见的入侵动作。实验证明,本文方法相比于现有的经验模式分解方法,不仅提高了精度,而且显著加快了识别速度。为了实现概率输出功能和识别更多种类的目的,本文从信号本质变化特点进行考虑,提出基于全建模的入侵识别思想,将信号建模应用于特征提取和模式识别阶段,并基于该思想提出两种入侵识别算法。基于AR建模的入侵识别算法,通过将AR模型系数作为特征向量的一部分,使得入侵信号特征能够以简短、全面和本质的方式得到描述。在分类器设计阶段进行sigmoid函数拟合,使得所提方法能够输出所有类型事件的发生概率。另外,AdaBoostSVM技术的应用进一步增强了识别准确率。实验证明,该方法能够仅用长度为4的特征向量有效识别6类入侵动作,识别准确率为87.14%。基于ARMA建模的入侵识别算法同样将信号建模应用于特征提取和模式识别两个阶段,以ARMA系数作为特征向量的一部分结合基于sigmoid函数拟合的SVM,实现高精度多种类的识别。