本文针对传统 BB84 量子密钥分发（QKD）系统中固定 11% 量子误码率（QBER）阈值检测窃听方案的不足，提出了一种基于时间维度 QBER 的机器学习框架，用于多类型窃听攻击的检测与分类。传统方法仅依赖会话级平均 QBER，而隐蔽攻击可能始终低于阈值但仍危害信道安全。该框架从 QBER 时间序列中提取 63 个基于物理信息的时序特征，涵盖突发行为、时间不稳定性、基选择不对称性以及 QBER 损耗交互等维度。研究评估了随机森林、XGBoost 和带径向基核函数的支持向量机（SVM-RBF）在七种窃听攻击及正常信道场景下的性能，并引入噪声和损耗条件。在十次独立运行的平均结果中，XGBoost 达到 88.01%（标准差 0.47%）的准确率和 0.8803 的宏 F1 分数，SVM-RBF 表现相近，验证了所提特征的鲁棒性。作为二分类攻击检测器与常规阈值监控对比时，固定 11% QBER 阈值准确率仅 25.82%，漏报率高达 0.8477；而所提框架将漏报率降至 0.0198，显著提升了对逃逸阈值监控的隐蔽攻击的检出能力。基于 SHAP 的可解释性分析表明，物理信息时序特征和信道派生特征对识别窃听策略具有高度区分性。实验证明，基于时间 QBER 的机器学习为 BB84 QKD 系统提供了准确、可解释且实用的多攻击安全监控框架。