摘要：针对分布式光纤传感系统中多源混叠振动信号分离难题，本文提出了一种基于深度学习的新型多尺度时域振动信号分离模型，结合迈克尔逊-萨格纳克混合干涉结构的移位相减信号特性，实现多事件振动信号的高效分离。通过引入多模态膨胀卷积模块和长短期记忆网络增强的分离单元，模型在时域上协同捕获瞬态冲击与准周期振动特征，结合注意力机制强化长程依赖建模能力。实验基于40 km光纤传感系统，采集剪切、攀爬、锯切及摇晃4类入侵事件信号构建混叠数据集，验证了MS-TvsNet模型在15.2 dB尺度不变信噪比下的优异分离性能，较时域音频分离网络和全卷积时域音频分离网络模型提升5.4 dB和3.1 dB。同时，该模型在噪声干扰（Δ=-20 dB）及跨位置泛化测试中展现出强鲁棒性，分类准确率较单一MI结构提升4.6%，为复杂环境下光纤传感系统的智能化处理提供了新思路。
