1.一种周界入侵事件的识别方法，其特征在于，步骤如下：

1)选定适用于已知类型的入侵信号进行识别的网络模型；

2)利用包含多种噪音的已知类型的入侵信号组成的训练集，利用选定的网络模型进行训练，利用训练完成的网络模型对实时采集的入侵信号进行识别；

步骤1)中，选择适用的网络模型的方法如下：

1.1)采集一定数量的已知类型的入侵信号作为训练样本与测试样本，并采用小波变换对训练样本与测试样本进行滤波，再进行短时傅里叶变换，获得对应的时频图；

1.2)利用时频图的图像特征，分别通过不同的网络模型对训练样本进行训练；

1.3)利用网络模型对测试样本进行识别；

1.4)计算在不同的网络模型网络中，训练样本的运算时间、对训练样本的训练时间总和，以及对每个测试样本的识别时间，选定运算时间、训练时间总和、识别时间最短的网络模型。

2.根据权利要求1所述的周界入侵事件的识别方法，其特征在于，步骤1.1)中，比较用于短时傅里叶变换的不同的窗函数和窗宽，选择适配已知类型的入侵信号的窗函数和窗宽。

3.根据权利要求2所述的周界入侵事件的识别方法，其特征在于，步骤1.2)中，通过网络模型对训练样本进行训练之前，先选择深度学习优化器，并设定批次大小、迭代次数，初始化网络模型的权值w与偏置值b；然后计算输出值存在的偏差，再计算损失值；根据损失值优化权值w与偏置值b，直至偏差符合要求。

4.根据权利要求1至3任一项所述的周界入侵事件的识别方法，其特征在于，已知类型的入侵信号包括人为入侵信号、非人为人侵信号；其中，人为入侵信号包括敲击、摇晃，非人为人侵信号包括刮风、下雨。

5.根据权利要求4所述的周界入侵事件的识别方法，其特征在于，选定的网络模型为Inception-v2结构的卷积神经网络模型。

6.一种周界入侵事件的识别系统，其特征在于，包括光源、多模光纤、光电二极管、数据采集卡，光源信号经多模光纤、光电二极管后，通过数据采集卡进行数据采集；通过多模光纤感应入侵信号，在入侵信号的影响下采集的数据，基于权利要求1至5任一项所述的识别方法进行识别。

7.根据权利要求6所述的周界入侵事件的识别系统，其特征在于，多模光纤包括依次耦合的前单模光纤段、多模光纤段、后单模光纤段。

8.根据权利要求6所述的光纤周界入侵事件的识别系统，其特征在于，将多模光纤缠绕固定在围成周界的围网上，用于感应入侵信号。