近年来,全球气候变暖趋势越来越明显,由此引起的气候干旱和厄尔尼诺现象导致各地森林火灾频发。森林火灾具有突发性强、破坏范围广以及扑救难度大的特点,是一种严重威胁到人类生命财产和生态系统的自然灾害。若能及时发现早期森林火灾,防止火灾蔓延,对于减小扑救难度、降低损失至关重要。随着科学技术的进步,使用“深度学习+无人机”的林火识别方案成为了目前的发展趋势,但是也存在若干问题亟待解决,比如行业内缺乏高质量的航拍林火数据集、通用模型在林火识别上性能欠佳、下游任务单一化等。针对上述问题,本文旨在探究深度神经网络在航拍图像上的林火识别能力,并就以下若干方面展开了深入的研究:1)构建了一组高质量的航拍林火数据集现有的林火数据集缺乏航拍场景样本图像,并且普遍存在分辨率低、火灾面积大等诸多问题,对于早期航拍林火识别效果较差。针对这一问题,本文依托张家口市重点研发计划项目“科技冬奥专项——崇礼区森林智慧防火”（项目编号:201001D）,使用无人机自采集构建了一组航拍视角下的早期林火图像。考虑到拍摄场景单一的问题,额外整合了网络开源林火数据集FLAME作为补充。整个构建过程包括了数据采样、数据预处理以及数据标注等步骤,以适应不同林火识别下游任务的需求。2)提出了一种新颖的林火目标检测模型AENet通用视觉模型直接应用于林火检测任务往往性能欠佳,主要原因是没有充分考虑航拍视角下火点的特点,比如面积偏小、位置隐蔽等;再者,航拍林火目标的边界框分布与通用数据集之间也有巨大差异。针对上述问题,本文参考了YOLO的设计思想,提出了一种单阶段的实时林火检测模型AENet。模型的主干部分采用了剪枝后的轻量化网络Conv Ne Xt,并在特征金字塔融合层引入了特征增强模块和注意力机制提升模型的表征能力,以此来实现检测精度与速度之间的平衡。此外,还采用了Mosaic数据增强、标签平滑以及Focal Loss等多种训练策略,进一步提升网络的检测精度。最后,通过大量对比实验来验证AENet的有效性。3)提出了一种新颖的林火语义分割模型MCCNet考虑到检测模型只能对粗粒度的林火个体进行识别而缺乏细粒度的表征能力,并且在一些极不显眼的火点目标上存在漏检的问题,本文提出了一种端到端的语义分割模型MCCNet。具体地,在编码器部分设计了一种多尺度上下文对比结构和密集金字塔模块,前者通过不同膨胀率的空洞可分离卷积构建局部差异特征,拉大前景与背景之间的差异,后者通过多尺度错位融合提升高阶语义的表征。此外,还设计了分类辅助模块,将图像的全局分类信息嵌入到有效特征层中进一步细化分割结果。最后,通过大量的对比实验和消融实验来验证MCCNet在复杂环境下分割小目标火点的有效性。4)设计了一种新颖的林火实例分割模型Mask SU R-CNN考虑到不同的林火识别任务需要通过设计不同的网络模型来完成。本文进一步设计兼具检测和分割功能的林火实例分割模型Mask SU R-CNN。具体地,采用U形结构的网络重构MS R-CNN的Mask Io U分支,以进一步提高林火实例分割的性能。再者,通过Mask Io U分支预测得到的掩膜交并比,用于评价分割置信度,以克服将分类置信度作为分割置信度的弊端。最后,通过实验对比来验证Mask SU R-CNN在航拍火点上的多任务识别能力。