得益于人工智能在视觉领域的高速发展,搭载着人工智能模型的视觉摄像头将在各类灾害预警中起到越来越重要的地位。尤其在火灾预警的各类技术中,基于视觉摄像头的视频烟雾检测技术因为其适用性广、部署灵活、检测迅速以及实时性能高等一系列优点,受到了各方的广泛的关注。并且已经有取代传统基于传感器的预警装置的趋势。但尽管视频烟雾检测已经取得了相当的成就,相关研究仍存在诸多问题。首先,火灾发生的情景非常多样,这导致在火灾现场产生的烟雾的形态、运动等特征也不尽相同,并且目前的公开数据集所包含的烟雾数据的场景非常有限,这导致烟雾检测模型的适应真实场景的能力不够;很多基于深度学习的研究,虽然相较原有的其他方法提高了精度或者是在一定程度上解决了数据集不足的问题,但没有针对烟雾检测这一特定问题来设计网络结构这一角度来提高模型精度的研究;并且模型巨大的参数使得它们无法进行实时检测,也无法将其应用于边缘计算。这些种种问题制约了烟雾检测的研究应用到实际之中。本文基于以上问题,分别给出了一些改进与可行方案。本文的主要工作如下:1.收集和整理了两组组烟雾数据集,从数量、场景多样性、烟雾特点、干扰因素多样性等多个维度对目前现有的公开烟雾数据集进行了极大的补充。本文搜集整理了目前各个公开数据集中出现的场景、烟雾特点、干扰因素等维度所包含的数据。据此分析了这些数据集在多个维度下的数据数量和多样性不足,如缺乏夜晚场景下的烟雾数据、大量烟雾数据不是从真实环境中采集的、烟雾视频的背景固定等。针对这些不足,本文一方面提供了一组有针对性地拍摄的视频烟雾数据。另外一方面从网络上整理了一批含有烟雾数据的公开视频,这些视频涵盖了包括车库、加油站、工厂在内的多种公开数据集中没有场景。并且这些视频都是在真实发生的火灾视频,包含了多种在真实场景中存在的干扰因素。2.提出了一个基于改进的CSP模块（Cross Stage Partial Network）的烟雾检测模型,在与多个模型的比较中综合性能取得了最佳。本文基于烟雾图像纹理特征复杂的前提下提出了使用多路的CSP模块和多路融合的CSP模块对图像进行特征提取,意在提取出更多不同的烟雾纹理特征。然后通过特征金字塔模块将这些纹理特征进行融合形成一个更加能够代表烟雾的抽象特征。本文通过实验分析选取了最优的超参数,并且通过对比实验证明了本文所用模型在烟雾检测问题上的性能超过了目前常见的通用目标检测模型在该任务上的性能。3.提出了通过增加一个烟雾识别子网络和一个抽帧网络加速烟雾检测模型推理的方法,提高了模型推理速度、降低了模型对算力要求并且能够将模型分离部署实现分布式推理。针对目前烟雾检测模型对于算力要求比较高,无法在计算能力较差的硬件上进行实时的烟雾检测的问题。本文通过使用烟雾识别子网络和抽帧网络来提前结束推理过程,从而加快模型推理速度。同时也就是降低了模型对硬件的计算要求。并且该模型非常适合被分离部署在多个硬件设备上进行分布式推理,本文详细阐述了该模型的多个应用场景。4.提出了一个危险事件检测系统框架,并根据该框架开发了一个烟雾检测原型系统。本文将各种不同的危险事件检测的步骤抽象为该原型系统的不同模块,并设计了该原型系统的框架。并且基于该框架和本文训练得到的烟雾检测模型,开发了一个烟雾检测系统。通过对该系统进行实地测试验证了本文提出的模型的有效性和系统的稳健性,并且展示了原型系统在实际应用中的运行效果。