Vzhľadom na charakteristiky veľkého detekčného rozsahu, vysokej citlivosti a dobrej adaptabilite životného prostredia sa siete snímania optických vlákien vo veľkom rozsahu a regionálnom cieľovom umiestnení široko uplatňovali. Tradičné funkcie, ako je identifikácia prítomnosti cieľa a zhruba posudzovanie jeho pozície, už nestačia na splnenie stále náročnejších požiadaviek na detekciu. Presná klasifikácia viacerých cieľov a viacerých parametrov stavu na veľkej ploche sa stala výskumným hotspotom. Medzi nimi je identifikácia typu cieľa, výpočet cieľovej polohy a odvodenie stavu pohybu cieľa sú hlavnými detekčnými úlohami snímacej siete.
Sidelnikov O a kol. Vykonané testy na viacerých abnormálnych interferenčných signáloch v rámci regiónu, dosiahnutia rýchlosti detekcie 86. 3% pomocou rôznych frekvencií pre cieľovú klasifikáciu. Táto metóda však môže vykonávať iba kvalitatívnu klasifikáciu a nemôže poskytovať informácie o parametroch stavu cieľov. Tejedor J a kol. Vydal na potrubia siete na snímanie optických vlákien a identifikovala potenciálne inžinierske operácie, ktoré by mohli ohroziť potrubia analýzou rozdielov vo vibračných signáloch. Klasifikovali tiež rôzne interferencie pomocou prahov intenzity. Tian Miao kombinoval neurónové siete s metódou rozkladu funkčného režimu na analýzu štyroch typov udalostí vniknutia, čím sa dosiahne priemerná miera rozpoznávania 85,2%. Zou Boxian a kol. Na klasifikáciu rôznych zdrojov vibrácií, ako je biely hluk, chodci, vozidlá a rýpadlá, použila technológiu trojrozmernej vizualizačnej technológie vibračných signálov. Analýza simulácie ukázala správnu mieru viac ako 90%. Veľké množstvo trojrozmerných údajov Cloud Cloud však výrazne znížilo rýchlosť spracovania. Peng Kuan a kol. Testované regionálne zdroje vniknutia založené na rozdieloch v časovej\/frekvenčnej doméne, dosiahnutia presnosti klasifikácie viac ako 98% pre štyri typy zdrojov periodických interferencií. Jiang Hong a kol. Testovalo päť spoločných interferencií vniknutia pomocou mriežkových mriežok s ultramennými vláknami a klasifikovalo ich na základe normalizovaných znakov signálu. V 500 testovacích vzorkách bola miera rozpoznávania vyššia ako 98%. Pan Ruizhi a kol. Na dosiahnutie klasifikácie cieľovej klasifikácie s presnosťou algoritmu sa použila technológia hmatového snímania vlákien Bragg mriežky. Táto metóda sa však používa hlavne na priame meranie kontaktu medzi cieľom a FBG. Aj keď má vysokú presnosť, jej výkon reakcie sa výrazne znižuje so zvyšujúcou sa vzdialenosťou. Wei-Hao C a kol. použila technológiu φ-OTDR na získanie cieľových signálov, ktorá má charakteristiky vysokej presnosti a dobrej stability. Suzhen L a kol. Použili umelé neurónové siete na meranie konštrukčných vibrácií v údajoch o snímaní optických vlákien, ktoré majú charakteristiky vysokej presnosti a širokého pokrytia. Táto metóda sa však používa hlavne na rozpoznávanie signálov s jednotlivými vibráciami a nemôže dosiahnuť viac cieľovej klasifikácie. Shang Qiufeng a kol. Kombinovaný rozklad variačného režimu s algoritmami podporných vektorových strojov na identifikáciu štyroch typov abnormálnych signálov, čím sa dosiahne presnosť identifikácie viac ako 98%. Avšak v dôsledku použitia dvoch algoritmov bol čas spracovania pre jednu skupinu údajov 169 sekúnd, čo bolo relatívne pomalé.
Bol navrhnutý identifikačný algoritmus založený na charakteristikách viacúčelových parametrov signálu. Tento algoritmus označuje vlastnosti rôznych cieľov z hľadiska amplitúdy, trvania a frekvencie, čím sa dosahuje oddelenie signálu v prípade aliasingu multiobjektívneho signálu. Testovali sa charakteristiky signálu snímania vlákien štyroch spoločných cieľov a bola dokončená kvantitatívna analýza multiobjektívnych signálov. Experimentálne výsledky ukazujú, že priemerná amplitúda vlnovej dĺžky cieľa 1 je 1,25 Nm, s obdobím charakteristiky približne 12 0 ms; Priemerné amplitúdy vlnovej dĺžky cieľov 2 a 3 sú medzi 150-350 PM, s trvaním v rozsahu od 1 do 3s; Priemerná amplitúda vlnovej dĺžky cieľa 4 je nad 3,2 Nm, s trvaním približne 15 s. Tieto funkcie majú v tomto algoritme vysokú presnosť rozpoznávania. V teste cieľového aliasingu sú priemerná miera rozpoznávania cieľov a priemer presnosti rozpoznávania nad 80,0%, čo overuje uskutočniteľnosť navrhovaného algoritmu.