我国的大型基础设施如桥梁、高速公路、铁路、轨道交通、电力线、天然气管线等近年来得到了大力发展。在长达数十年甚至上百年的“服役”过程中,由于受到环境腐蚀、材料老化、长期荷载、自然灾害以及人为破坏等不利因素的影响,其结构会不可避免地遭受损伤积累和抗力衰减。一旦某个结构发生损毁,将会导致灾难性事故的突发,事故造成的人员伤亡、经济损失和社会影响都十分巨大^[1-2]。因此,亟需建立针对大型基础设施结构的健康监测系统,实时掌握基础设施结构的健康状况,及时发现结构的损伤位置,准确识别致损原因,以便及时发出预警信号并采取应对措施,避免不必要的资源浪费,保障基础设施安全可靠地运行。作为分布式光纤传感技术（DOFS）的重要分支,分布式光纤声波传感技术（DAS）因其能够实现光纤沿线动态应变的长距离、分布式、实时定量监测,在大型基础设施的结构健康监测领域具有十分广阔的应用前景。DAS技术虽然能够实现对扰动信号的测量,但是要想解决具体的工程应用问题,必须要对信号所代表的事件进行模式识别,以区分有效无效信息。目前,针对DAS扰动信号的模式识别尚存在以下问题:一是相干衰落问题。DAS利用窄线宽激光器使得脉冲范围内后向瑞利散射光（RBS）之间发生干涉,以获得高灵敏度,但也不可避免地带来了相干衰落问题。由于相干衰落,光纤某些位置处的RBS强度趋近于零,导致传感器无法对该区域进行探测,即形成衰落死区。当信号落入衰落死区时,可能会淹没在噪声中,信噪比急剧恶化,导致相位解调结果会出现较大的误差,严重时将引起误报警,极大地限制了DAS系统的工作性能。二是特征提取问题。特征提取作为模式识别的核心步骤,提取出的特征是否具有代表性,将直接影响分类器的分类结果。现有的特征提取方法存在特征表述过于简单、不具有代表性、不考虑特征数据量等问题,在复杂环境中的识别可靠性较低。针对上述问题,本文提出了一种基于最优位置寻峰的相干衰落抑制方法,在仅使用普通单模传感光纤且不改变传统DAS系统结构的前提下,高保真地重构振动信号,实验结果表明,该相干衰落抑制方法的鉴相准确率较传统鉴相方法提升了19.99%。随后,利用课题组研制的DAS设备进行大型基础设施防外破外场试验。在对采集到的5种扰动信号进行特征提取时,在时域上提取能量、平均值、平方差和扰动持续时间4个特征,在频域上提出将短时傅里叶（STFT）谱图二值化,对二值图像提取面积、周长、致密性、连通域个数和欧拉数5个特征,并采用SVM分类器和前馈神经网络对特征向量进行分类,5类扰动事件的识别准确率分别达97%和98%。实验结果表明,本文所提出的方法能够在很大程度上提升DAS系统的鉴相准确率和在实际工程应用中对扰动事件的识别准确率,其将有效推动DAS设备在大型基础设施结构的健康监测领域的应用。