火灾的发生会给经济财产造成严重的损失,还会给人的生命安全带来一定的隐患。火灾的初期会有许多烟雾产生,而在火情中期才有火焰的产生,所以为了预防火灾,及时对烟雾进行检测是非常重要的。传统的烟雾检测方法存在特征设计过程繁琐、难以有效提取烟雾的特征、模型的好坏过度依赖于人的先验等缺点。随着计算机技术和人工智能的飞速发展,近些年深度学习引起了广大的关注,许多有关深度学习的烟雾检测算法被提出,虽然有了不错的效果,但是许多算法还存在耗时较长、计算的复杂度较高、检测精度低等问题。针对上述存在的问题,本文提出了两种基于深度学习的烟雾检测算法。针对烟雾检测耗时长、计算复杂度高等问题,本文提出一种基于改进YOLOv3的烟雾检测算法。首先,引入深度可分离卷积模块至Darknet-53网络的提取层上替代标准卷积,使网络的计算量减少;在YOLOv3网络的三个预测层分支上引入高效通道注意力机制ECA（Efficient Channel Attention）,可以快速获得跨通道之间的交互信息;然后,采用损失函数CIo U Loss（Complete Intersection over Union Loss）作为预测框的回归损失函数,有效地提高预测框回归的稳定性;最后,采用软化的非极大抑制算法Soft NMS（Soft Non-maximum Suppression）,提高网络的检测精度。实验表明,与Faster R-CNN、SSD、YOLOv3、YOLOv4算法相比,本文提出的改进YOLOv3算法能够有效地提高烟雾的检测速度,可以使用在要求实时性比较高的烟雾场景中。针对烟雾检测算法检测精度低的问题,本文提出一种基于改进Retina Net的烟雾检测算法。首先,将Retina Net的主干网络换成Res Ne Xt,提高网络的检测精度;然后,在Retina Net网络的卷积层后面引入卷积注意力模块CBAM（Convolutional Block Attention Module）,减少网络计算量,提高网络的检测精度。实验表明,与Faster R-CNN、SSD、YOLOv3、YOLOv4、Retina Net、改进YOLOv3算法相比,本文提出的改进Retina Net算法能够有效地提高烟雾的检测精度,可以应用到准确度要求比较高的烟雾场景中。