中国铁路的里程和覆盖范围逐年增加,但铁路周围由于人员攀爬栅栏网造成的事故却时有发生,如何及时对攀爬行为进行预警,提升铁路运行的安全指数成了急需解决的问题。传统的入侵检测手段对硬件和应用场景都有较高的要求,难以满足铁路环境下的检测需求。本文利用分布式光纤振动传感器进行入侵识别算法研究,可以实现对铁路周界攀爬栅栏网的行为进行准确识别和定位。具体研究内容如下:针对风雨干扰下的入侵检测问题,本文从降噪方法、特征提取和识别算法这三个方面进行研究。首先通过设计谱减法来削弱环境带来的噪声,提高信号的信噪比;接着分别从时域和频域提取了信号的特征,构建了用于训练的样本集;针对训练集中正负样本不均衡可能导致的训练模型偏移问题,采用SMOTE算法对正样本进行了扩充;之后对样本集进行了PCA降维处理并采用随机森林进行了训练。最终训练出来的模型在新采集的数据集上对人员入侵行为取得了较好的检测效果。针对列车运行会对入侵检测带来干扰,造成更多误报的问题,本文提出了一种通过监测列车位置对列车周围区域进行屏蔽的方法。由于铁路线较长,光纤信号的衰减比较严重,所以首先对光纤振动信号进行了补偿;接着提取了列车振动信号的特征并基于k-means算法设计了对列车振动信号进行识别的多分类器算法,解决了各采样点之间信号差异性的问题,并根据分类器的检测结果估计了列车的振动带;之后采用多项式回归和卡尔曼滤波的方法实现了对列车实时位置的估计,并基于振动带的长度确定了屏蔽区间的长度,从而实现了对列车干扰路段的屏蔽,降低了列车运行时的攀爬行为检测的误报数量。针对变场景下的入侵检测问题,本文采用迁移学习的思路降低了对新场景下样本量的需求,节约了采集信号所需的人力和时间成本。首先采用Tr Adaboost对源域和目标域样本进行加权,降低后续训练过程中负迁移的可能性;针对初始权值设置不合理的问题,采用K近邻学习进行权重初始化;接着为了均衡训练过程中源域和目标域样本对训练结果的影响,对用于分类的决策树进行了改进;最后介绍了基于迁移学习的入侵检测算法的流程,并对迁移随机森林中决策树的选择机制做了说明。最终的检测算法在新场景下取得了较好的检测精度。本文使用的基于分布式光纤振动传感器的入侵检测算法在金温铁路的两处栅栏网路段都取得了较好的检测效果,对保障铁路沿线的安全具有实用意义。