乡村焚烧秸秆会产生大量烟雾造成雾霾天气甚至引发火灾。传统的火灾检测方法并不适用于监测乡村这种大范围场景。本文针对这一问题提出一种基于深度学习迁移学习的烟雾图像检测方法。烟雾作为火灾早期的明显特征之一,对其检测识别可以有效地对火灾进行预警,减少生命财产的损失。随着计算机计算能力的提升与大数据时代的到来,深度学习受到了广泛关注,其在各个智能领域都表现出了良好的效果。深度学习方法区别于传统框架,它无需人工设计检测算子,它能自动从数据中学习特征并经过训练不断优化,适用范围更广。神经网络的训练需要大量的数据支持,但是在某些情况下数据的收集十分困难,例如收集乡村的烟雾视频和图片。目前网上还没有大型的烟雾视频库,数据量并不能支撑从头开始训练深层神经网络,所以采用迁移学习的办法来解决烟雾小数据集的问题。迁移学习是一种机器学习技术,可以将源域模型运用到目标域中。在深度学习图像处理领域,卷积神经网络通常先检测图像的边缘、形状,然后才是目标的特定特征。实际上神经网络的早期层检测的图片特征相差不大,这样就十分适用于迁移学习技术。所以在计算机视觉领域中迁移学习显得尤为有效。该方法使用TensorFlow框架,引用已在ImageNet大型数据集上训练完毕的Inception-v3网络模型作为源模型,将其在ImageNet数据集中提取到的边缘、色彩、纹理等特征用于构建新的烟雾检测模型。利用乡村场景的监控图像进行验证测试,根据结果对模型进行分析调整。结果显示模型检测准确率相比于传统方法有较大的提升。