火灾是日常生活中主要灾害之一,严重威胁着人们的生命与财产安全,因此及时准确地发现火灾并预警具有十分重要的研究意义。传统的图像型火灾检测方法大都是基于对火焰浅层特征的提取,鲁棒性较差,很难适应于复杂环境下的火灾检测。近些年,随着深度学习技术的不断发展,利用卷积神经网络进行图像型火灾检测渐渐成为研究热点。但是,现有的基于深度学习的火灾检测方法存在着模型复杂、大量使用锚框、难以满足高检测率和高实时性检测需求的弊端。为此,提出了基于轻量化卷积神经网络的火灾检测算法。提出算法的网络模型主要基于无锚框机制和轻量化卷积神经网络,包括特征提取网络部分和检测网络部分。特征提取网络用来初步提取图像特征以供检测网络使用,分为主干网络和特征金字塔网络两大部分,特别的,为满足高实时性的检测需求,选用Mobile Net V2作为主干网络。检测网络由分类子网络和负责边框预测的回归子网络构成,其中,在分类子网络中引入了可形变卷积模块用来解决火焰形状变化和单阶段目标检测中特征不对齐问题。除了网络结构部分,还根据无锚框机制网络的特点定义了监督信号和损失函数,引入了特征选择模块帮助网络自动选择更合适的金字塔特征层。最后,在自建的火灾检测数据集和公开的火灾视频片段上进行了相关实验,并与经典目标检测网络和现有的火灾检测算法进行了对比分析。算法在自建的数据集上达到了90.1%的精度,在公开数据集上也取得了较好的检测效果,其检测速度可达24.6帧/秒,1280×800图像输入下的浮点运算次数（Floating Point Operations,FLOPs）仅为40.45G。实验结果表明:算法的网络模型结构简单,在具备较高的检测精度的同时也能有较快的检测速度,综合性能优于其他算法,具有较高的实用性。