1.一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：包括以下步骤：步骤1：获取分布式光纤传感信号中事件对应的时空信号，将该事件的类型作为该时空信号的真实标签，利用所述时空信号建立典型事件数据库；

步骤2：基于时空信号的结构构建CNN‑BiLSTM深度学习模型，所述CNN‑BiLSTM深度学习模型包括级联的CNN网络和双向长短期记忆模型，所述CNN网络用于获取各空间点的时空信号的时间结构信息，所述双向长短期记忆模型用于获取各空间点间时间结构信息的空间分布特征；

步骤3：利用典型事件数据库中的时空信号样本训练所述CNN‑BiLSTM深度学习模型，得到最优模型；

步骤4：利用所述最优模型对分布式光纤传感信号中待测事件的时空信号进行识别，得到待测事件的分类结果；

构建CNN‑BiLSTM深度学习模型的具体步骤如下：

步骤2.1构建CNN网络，用于输入所述时空信号样本，输出时空信号样本中各空间点的时间结构信息；

步骤2.2构建双向长短期记忆模型，用于按空间点的顺序，依次输入所述时间结构信息，得到相邻空间点的空间分布特征；

步骤2.3构建全连接层，用于输入所述空间分布特征，输出所述时空信号样本的类别；

所述步骤3中训练过程具体为：

步骤3.1初始化所述CNN‑BiLSTM深度学习模型的参数，所述参数包括矩阵权重W和偏置b；

步骤3.2将所述时空信号样本输入所述CNN‑BiLSTM深度学习模型进行前向传播，得到所述时空信号样本的预测标签；

步骤3.3利用交叉信息熵损失函数计算所述预测标签与真实标签的损失值；

步骤3.4利用所述损失值反向计算所述CNN‑BiLSTM深度学习模型的参数梯度，利用所述参数梯度更新所述CNN‑BiLSTM深度学习模型；

步骤3.5利用损失值判断所述CNN‑BiLSTM深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤3.2。

2.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤1中，所述分布式光纤传感信号为利用分布式光纤振动传感系统采集通信光缆沿线的振动信号，所述事件信号单元的类别包括机械施工、人为施工和交通干扰。

3.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤2.1中，所述CNN网络包括依次连接的卷积层、池化层、Relu激活函数层和BN层。

4.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤2.2中，双向长短期记忆模型，包括LSTM单元，所述时间结构信息通过正序和逆序输入所述LSTM单元。

5.根据权利要求1所述的一种分布式光纤传感信号时空信息提取与识别方法，其特征在于：所述步骤3.3中，交叉信息熵损失函数公式为：其中，L表示计算得到的交叉信息熵损失值，n表示时空信号样本总数，a表示时空信号样本的预测标签，y表示时空信号样本的真实标签。