近些年来森林火灾频繁发生,已经严重威胁到了地球生态系统和人类的生命安全。传统的火灾烟雾检测方法弊端太多,已经无法满足现代人类社会的需求。从2012年起,随着卷积神经网络的快速发展,基于深度学习的目标检测算法不断出现,并被应用到各大领域中,其中就包括森林火灾烟雾检测。为了提升森林火灾烟雾检测模型的性能,更好地达到检测精度和速度之间的均衡,本文在YOLOv4算法的基础上提出了三种改进的森林火灾烟雾检测方法,以满足不同的需求,并对比了三种算法的性能优势,详细内容如下:（1）提出一种嵌入注意力机制的YOLOv4改进算法。以提升检测精度为目的,在YOLOv4算法Head输出端之前嵌入两种类型的注意力机制:通道注意力机制SENet、空间机制和通道机制结合的CBAM。在网络输出端前嵌入注意力机制有两个方面的优点:一是可以减轻干扰信息的影响,从而提升网络对特征信息的提取能力;二是只需要增加极少的参数量。其中嵌入SENet后m AP由93.72%上升到了94.54%,参数量增加了0.33MB;嵌入CBAM后,m AP上升到了96.42%,参数量增加了0.7MB。（2）提出一种基于轻量化框架的YOLOv4改进算法。以提高检测速度为目的,将YOLOv4的主干特征提取网络替换成Mobilenet网络,Mobilenet是一种轻量化的网络,其参数量要远远小于原来的主干网络CSPDarknet53。Mobilenet网络系列有三种版本,为了找出最适合YOLOv4算法的版本,本文依次将三种网络替换到YOLOv4算法中进行实验,其中以Mobilenetv1-YOLOv4算法的效果最好,其在仅牺牲0.78%m AP的情况下,将检测速度提升了60%。（3）提出一种Mo Am-YOLOv4（Mobilenet and attention mechanism,Mo Am）森林火灾烟雾检测方法。整合以上两部分的创新点,旨在最大提升检测速度的情况下,尽可能地避免检测精度的下降,找到检测速度和精度的最佳均衡点。实验将两种注意力机制SENet和CBAM分别嵌入到Head输出端之前,同时要将三种不同的轻量化网络依次替换YOLOv4的原有特征主干网络,两两组合总计得到六组对比实验。其中以Mobilenetv1+SENet组合算法的检测效果最好,在测试集的m AP达到95.16%,FPS达到80.33,和原始YOLOv4算法相比,其在m AP几乎没有下降的情况下降检测速度FPS提升了51%。以上三种方法均在相同的森林火灾烟雾数据集上进行训练和测试,并且都使用K-means方法对烟雾数据集进行聚类分析,这样得到更接近于烟雾图像的候选框。实验验证了几种改进算法的可行性和有效性,和原始的YOLOv4算法相比,它们各自提升的方向均不相同。