烟雾检测对现代户外火灾预警有着重大作用和意义,是现代消防系统的重要体现。目前越来越多的学者结合深度学习的方法进行烟雾检测,与传统烟雾检测算法相比,响应速度更快且检测范围更广。但在室外复杂背景下大多数算法难以同时获得较好的检测率和较低的误报率。本文在现有的基于深度学习的烟雾检测算法上,结合实际场景下产生的烟雾进行了深入的研究。本文的主要研究包括:（1）在选定实际场景进行实时监控的过程中,通过Vibe+算法和级联网络结构从实际场景下获取动态目标图像作为原始数据集,其中包含多尺度多形态的烟雾图像以及引起误报的物体图像等。（2）提出改进的基于AlexNet的网络模型,通过卷积神经网络的算法对实际场景下烟雾图像进行特征提取。因为实际背景复杂烟雾纹理多变,基于原始公开数据集训练过的网络表现不佳,所以对AlexNet进行改进,增加了卷积层数,采用归一化层和重叠最大池化层,并且将全连接层最后一层改为两个神经元的输出,同时调节网络模型的参数以获得好的烟雾检测效果。实验验证本文较经典的网络模型烟雾检测准确率提高了 3%。（3）针对实际场景下的数据集分布不平衡,多形态烟雾图像数量不足,难以训练出鲁棒性较强的烟雾检测模型的问题,本文对深度卷积生成对抗网络进行改进,用于对烟雾图像进行数据集的扩充。相较于原始的生成对抗网络网络,此网络保证了生成图像的多样性和清晰度,使得数据集特征分布均衡。实验结果说明,本文提出的算法模型在实际场景下烟雾检测效果更好。