森林火灾作为全球性的重大灾害,每年都会发生,不但给生态环境造成了巨大的破坏,而且也对人类的生命与财产安全构成了极大的威胁,因此如何尽快发现火情并及时采取措施成为亟待解决的问题。随着数字图像处理技术的飞速发展,基于图像的目标检测技术在森林火灾检测中得到了越来越广泛的应用,如何快速实现火灾告警具有非常巨大的实际意义。针对该应用需求,本文对基于可见光图像、红外图像及双波段融合的火灾检测进行了深入的研究。本文首先对红外和可见光波段的森林火灾目标特性进行分析。首先阐述了红外图像中火焰的目标特性,然后结合RGB与HSI颜色模型对可见光图像中火焰与烟雾的目标特性进行分析,为后续森林火灾检测算法的研究提供了理论基础。针对红外图像中火灾区域分散、边缘模糊及存在烟雾的红外辐射阴影等问题,本文研究实现了一种基于优化K-means聚类算法和C-V模型的红外森林火灾检测算法。首先,采用最大中值滤波算法对图像进行去噪预处理。然后,采用结合粒子群优化的K-means聚类算法对红外图像进行目标分割,得到初始的火灾目标轮廓。而后,通过C-V模型对得到的火灾区域边界进行优化,以获得更精确的分割结果。最后,根据红外火灾目标特性对疑似区域进行特征判别,从而得到最终的火灾检测结果。仿真实验结果表明,本文算法能够有效地消除干扰物,解决火焰内部漏检问题,提高火灾目标的检测精度。针对可见光图像背景复杂、火灾检测系统搭载的处理设备计算能力有限等问题,本文研究实现了一种基于轻量级无锚模型的森林火灾检测算法。该算法以最新的无锚目标检测模型YOLOX作为基本框架,并采用改进的Mobile Netv3g轻量级网络代替YOLOX的主干网络,可在保留多尺度特征信息的同时降低模型的复杂度。在此基础上,采用深度可分离卷积取代PANet中的普通卷积,进一步减轻模型体量,并引入ASFF模块对空间特征信息进行自适应融合,使提取到的特征更有层次性。实验结果表明,本文算法能够有效地减少计算量,并对复杂背景下的火灾目标进行准确检测。最后,结合红外和可见光火灾检测的各自优势,本文研究实现了一种基于双波段融合的森林火灾检测算法。该算法将红外和可见光图像中的检测结果进行决策级融合,从而得到最终的火灾检测结果。实验结果表明,本文算法能够进一步提升火灾目标的检测效果。