随着城市化进程和经济社会的高速发展,城市人口密度增大,消防隐患增加,火灾作为频发的重大灾害之一,给社会带来了越来越严重的经济损失和人员安全问题,因此,提高火灾检测的准确率,及时采取有效预警措施具有重要的理论、现实意义和经济价值。与传统的火灾检测技术相比,图像型火灾检测方法在识别准确率及实时性等方面均具有更佳的表现,因此成为当今研究热点之一。现阶段的图像型火灾识别研究中,采用粒子群(PSO)等传统智能优化算法对支持向量机(SVM)进行优化时,得到的分类模型普遍存在火灾样本识别率以及算法效率偏低的问题,为对其进行改进,本文首次将人工蜂群(ABC)及灰狼算法(GWO)两种近年来新兴的智能优化算法应用于图像型火灾的识别研究,以期获取更优的模型参数,提升模型对火灾样本的分类精度。本文主要研究内容如下:(1)深入分析了图像处理相关技术的主要理论及常用的处理方法。为提高图像质量及后期识别准确率,经对比分析及仿真验证,确定了灰度化及图像滤波的方法。(2)在研究对比光流法、背景减法等主流运动目标检测方法特点的基础上,选用背景差分结合混合高斯背景建模的检测方法,获取了疑似目标区域;同时引入颜色矩及灰度共生矩阵等方法,分别对目标区域进行了颜色、纹理等特性的提取,通过与主要干扰物进行特征比对,进一步说明了提取出的每一项特征量的有效性和合理性。(3)研究探讨了粒子群优化算法、人工蜂群算法以及灰狼算法对支持向量机参数进行优化的性能特点,并基于Matlab平台,利用Libsvm工具箱进行了实验验证。最后展开PSO-SVM、ABC-SVM及GWO-SVM这三种算法对火灾图像识别的实验研究,验证及对比了其识别性能。实验结果显示,相较于传统的PSO-SVM,本文所采用的ABC-SVM和GWO-SVM均能够更准确地对火灾及主要干扰源进行识别,其中GWO-SVM相较于PSO-SVM,火灾样本识别精度由96%提升至99%,其分类速度提升了32.4%,在识别准确率及运行效率方面体现出了更佳的性能,印证了本研究的有效性。