本文以基于相位敏感光时域反射技术的光纤预警系统为研究基础,主要开展了在该体系下对光纤入侵信号的快速精确识别算法研究。在进行模型训练之前,我们需要对光纤信号进行数据预处理。具体而言,首先采用去趋势方法来减小因传感器漂移现象引起的光路抖动问题;其次,采用数据归一化方法来降低数据分布范围,加快收敛速度;最后利用快速傅里叶变换(FFT)技术来获取光纤入侵信号的频谱分布特征,为后续的光纤入侵信号识别模型训练做准备。接下来,在光纤信号识别模型方面,针对传统的基于人工神经网络的分类器,具有较长的迭代时间,且模型复杂度较高等缺点,本文引入随机学习算法在保障识别模型学习能力的前提下,加快模型的收敛速度,从而减少时间消耗。然而,在实际训练过程中,随机学习算法模型会出现‘过拟合’以及数据不适定性等问题,从而容易导致模型性能下降,识别精度不高。为了增强随机学习算法模型的泛化性能,保障模型的稳定性,本文开展了对随机学习算法模型的优化算法研究。主要开展了对L2正则化、截断奇异值分解法、Dropout三种优化算法的研究。在研究过程中,我们从算法原理到公式推导,从目标函数设计到代码实现,通过对三种正则化优化方法的全方位对比分析,展示了光纤信号识别模型优化前后模型性能的提升。最后,通过实验结果表明,本文所研究的基于随机学习算法模型的光纤信号识别算法可以有效地提高对光纤入侵信号的识别精度并保持了较低的时间延迟。本研究对光纤预警系统中实现快速精确的光纤入侵信号识别提供了一种可行思路。