船舶机舱火灾识别作为机舱自动化系统的一个重要分支,是保障航行安全以及机舱设备安全的重要手段。随着深度学习技术的更新迭代,越来越多的无人识别技术运用到预防火灾当中。因此本文对基于物体分类和识别的卷积神经网络展开了研究,针对实际机舱火灾情况较为复杂特点设计了有效的深度学习网络,利用模拟的船舶机舱早期火灾图像数据对各类深度学习网络进行训练,用于火灾场景识别以及细致的前景像素点识别。本文首先引入相关理论和技术,并对收集的机舱早期火灾图像进行数据集的制作以及增强,然后基于该数据集设计了多侧分支深度分类卷积神经网络（Muti-lateral Branch Deep Network,MLBDNet）,对训练过程和机舱早期火灾场景识别结果作评估和分析,并与Alex Net、VGG16和Res Net50在同一数据集的训练预测结果进行分析比较。MLBDNet在Macro-F1的表现相比其他分类卷积神经网络有不同程度的性能提升,说明了该网络识别机舱早期火灾场景的有效性。其次,为了在识别机舱早期火灾场景的基础上实现对火焰以及烟雾的识别,设计了用于机舱早期火灾图像分割的语义分割网络（Muti-lateral Branch Semantic Segmentation Network,MLBSNet）,MLBSNet使用了微调后的MLBDNet作为编码网络,并在此基础上设计了多层次金字塔解码网络。通过语义分割的评判标准对训练过程、分割结果作评估和分析,说明MLBSNet比UNet、Res Net50-PSPNet、Seg Net等网络有较高的分割精度性能提升,为对机舱早期火灾图像进行快速识别奠定了基础。最后,本文针对语义分割网络特征提取、前向反馈速度以及数据集自身特点等方面展开了综合研究,进而提出了用于快速识别机舱早期火灾的Rep UNet（Reparameterization Convolution UNet）。Rep UNet采用了以3*3卷积核作为基本骨架,此外对编解码层的所有1*1卷积分支以及identity分支结构进行了重参数化并将参数嵌入到3*3的卷积核中,将各分支的Batch Normalization进行同分支融合后又进行跨分支的融合,在加强特征提取的前提上推理时舍弃了分支结构,相比MLBSNet和UNet++,梯度传播更加快速。通过对机舱早期火灾图像联合识别证明了MLBDNet和Rep UNet可对各种机舱火灾场景有效识别,并在此基础上对火焰以及烟雾取得细致的像素识别结果。