火灾的发生不仅对人员安全造成极大的威胁,而且还造成巨大的财产损失。目前对于火灾的检测,主要分为两大研究方向,一个是对火焰的检测,另一个是对烟雾的检测。其中,与火焰检测相比烟雾检测难度更高,所以目前火焰检测技术较为成熟,检测效果较好。但是通常检测到火焰,火灾已经发生,不能达到很好的火灾预防效果。而对于烟雾的检测,大多采用的是基于传感器和传统的图像处理方法。第一种方法需要安装大量的传感器,检测距离有限,传感器容易因环境发生损坏和老化,造成极大的漏检和误检。第二种方法对人工选择特征具有较强的依赖性,而烟雾具有边界不确定性、半透明性、致背景模糊和易受其它因素影响的特性,从而导致传统算法对烟雾识别的准确率会受到很大的影响。针对上述情况,本文将烟雾识别与机器学习领域中的深度学习算法相结合,同时结合已有的研究成果,将其中的两种常见模型,卷积神经网络模型和深度残差网络模型应用于烟雾识别上,其有效克服了传统方案的缺陷,在算法性能与效率方面得到了有效的提高。本文的主要成果如下:(1)通过网上收集烟雾数据集,利用高斯混合模型法与颜色特征法相结合对数据集进行裁剪,同时采用改变图像颜色、饱和度、亮度和对比度等特征、人为增加噪声等基本的数据增强手段来扩充数据集,共制作了 32X24大小的10000张正样本与10000张负样本。(2)构建8层CNN模型,激活函数采用的是ELU函数,并将该模型用于22段视频烟雾的检测,与颜色+运动+形态方法、基于Gabor小波的检测、采用RELU激活函数的CNN在烟雾识别方面的准确率、误报率、漏报率等一系列指标进行比较。(3)构建50层ResNet模型用于烟雾的识别,训练过程中利用精确度、召回率、F1分数进行性能评估,然后将训练好的模型用于22段视频烟雾检测,与颜色+运动+形态方法、基于Gabor小波的检测、8层CNN网络进行准确率、误报率和漏报率等一系列指标对比,实验证明该算法性能优越,在上述指标中均表现最佳。