随着油气田智能化开发的推进，实时、精准识别井筒产出流体的含水率已成为提高开发效率、实施控水调驱的重要手段。分布式光纤声波监测技术（Distributed Acoustic Sensing, DAS）因其具备无需供电、可实现长距离、分布式、实时监测等优势，为含水率识别提供了新的技术支撑。前期研究已构建融合小波散射网络与短时傅里叶变换等特征提取方法的LSTM含水率识别模型，实现了10%–90%含水率区间的高精度分类。然而，实际工程中，不同井场在井筒结构、流体类型、噪声水平及数据采集方式等方面存在显著差异，导致DAS信号时序特征分布出现跨场景不一致，严重制约了原模型的泛化应用能力。为此，本文提出一种基于迁移学习的含水率识别方法，在保留源模型特征提取能力的基础上，通过替换输出层并引入zero-padding统一不同长度的输入样本，采用“冻结-微调”的双阶段训练策略，实现新模型在少量已标注样本下的快速适应与重训练。实验结果表明，即使在采样率变化及样本标签分布差异的背景下，该方法在目标场景下依然可达到89%的识别准确率，显著优于原始模型的直接迁移效果，验证了所提方法良好的跨场景适应能力与工程实用价值。

分布式声波传感；迁移学习；含水率识别；LSTM；跨场景泛化