相位敏感光时域反射计（Phase-sensitive Optical Time Domain Reflectometer,Φ-OTDR）是一种典型的分布式光纤传感系统,可以检测到外部振动的发生,很多研究多关注于系统的定位精度以及灵敏度,缺乏对多个事件尤其是相似事件进行分类的能力,使得在很多领域的应用不能进一步扩展。通过人为的对时域或频域的扰动信号进行特征提取来进行分类是比较普遍的方法,但人为的提取特征比较复杂,应用场景存在局限性。本文提出了一种基于深度学习中卷积神经网络（Convolutional Neural Network,CNN）和机器学习中传统分类器的多事件识别方法。实验涉及了六种人为制造的扰动事件和两种自然环境事件,一共用到了11897张图片。首先,Φ-OTDR传感系统搭建完成以后,从采集到的时空域的扰动信号着手,将时空数据矩阵经过简单的带通滤波器处理,然后直接输入到CNN,其自动提取数据的特征,并由CNN直接对事件进行分类,取得了92.13%的准确率。由于CNN是一个隐藏了中间过程的黑匣子,因此本文采用梯度类加权激活映射（Gradient-weighted Class Activation Mapping,Grad-CAM）方法和t分布随机邻域嵌入（T-distributed Stochastic Neighbor Embedding,T-SNE）方法对CNN的工作过程进行可视化,说明了特征提取的正确性。为了进一步提高事件分类能力,将这些由CNN提取到的维度为192的特征输入到传统分类器中进行进一步分类,实验结果表明在分类这些数据的特征时,传统分类器相比CNN的softmax层可以得到更高的分类准确率,在本研究中,最适合的传统分类器是支持向量机（Support Vector Machine,SVM）,最终CNN结合SVM共同搭建的模型表现出最好的分类效果,准确率达到了94.17%,比单独使用CNN提高了2.04%。