近年来,我国森林防火形势愈发严峻,森林火灾的早期识别和预警对火灾扑救至关重要。本文研究了视频监控场景下的森林烟火识别技术,由于森林烟火监控系统覆盖场景大,通常需要先分割出疑似烟火的区域,再对这些疑似区域进行烟火识别。针对森林烟火监控系统实际应用的部署环境,本文从烟火区域分割和烟火识别两个关键环节,研究了基于低速前端设备和基于高性能后端设备的森林烟火识别技术。论文主要内容如下:（1）基于低速前端设备的快速烟火识别技术。Vi Be运动检测算法应用于烟火区域分割时,存在无法适应不同景深的场景、烟火分割不准确不完整的问题。针对这一问题,本文提出了一种自适应景深的Vi Be算法,该算法根据暗通道理论,计算透射率粗略估计场景的景深信息,并通过Otsu阈值分割算法将图像按照景深分为近处和远处区域,分别设置不同的Vi Be动检灵敏度参数,提升了Vi Be算法对景深的适应性。传统烟火识别算法中,烟火区域分割不准确,导致基于图像分类的烟火识别算法无法准确学习到实际烟雾的特征,识别精度难以提升。为解决该问题,本文扩大识别算法的感受野,将基于深度学习的YOLO目标检测算法用于烟火识别问题。针对该网络规模较大、执行速度慢的问题,设计了一种改进的快速YOLO网络。该网络使用基于CBAM注意力模块和深度可分离卷积的主干网络,提升了特征提取能力和执行速度,并对候选框映射的尺度分支数进行剪枝,减小网络的规模,进一步提升网络执行速度。（2）基于高性能后端设备的烟火识别技术。本文引入基于全卷积网络的显著性检测算法,通过对图像的像素级分类,克服了传统运动检测方法无法分割出烟雾内部区域的问题。针对全卷积网络烟火分割不够准确、误检多的问题,设计了一种基于特征金字塔的全卷积网络。该网络通过不同感受野的空洞卷积得到多层特征图,并融合高维和低维特征,组成特征金字塔结构,使得网络能够感知更多周边信息,提升了网络对不同尺度烟雾的适应能力。为进一步提升烟火识别算法的精度,本文引入了Faster R-CNN网络,并对网络识别能力进行优化,设计了一种改进的级联R-CNN网络。该网络采用结合CBAM模块和聚合残差学习的主干网络,通过级联多个Io U阈值递增的检测器网络,缓解Faster R-CNN网络在训练和前向计算阶段候选框质量差异较大的现象,进一步提升算法的精度。（3）森林烟火识别软件设计与实现。根据本文研究的森林烟火识别算法,设计并实现了一个森林烟火识别软件。软件实现了低速前端设备上使用的自适应景深Vi Be算法与改进的快速YOLO算法结合的烟火识别算法,以及高性能设备上使用的基于全卷积网络的区域分割算法和改进的级联R-CNN烟火识别算法,并在视频测试集上进行实际场景测试。实验结果表明,本文设计的森林烟火识别软件能满足低速前端设备和高性能后端设备上森林烟火识别的准确性、实时性要求。