近年来,火灾烟雾预警已经成为现代安防的重要组成部分,在火灾烟雾预警与防控领域的研究与应用对于现代社会的发展而言,有着非常迫切的需求和非常重要的意义。同时,随着计算机视觉的发展,深度学习技术已经在各个领域任务中都展现出不俗的表现,基于深度学习的火焰烟雾检测技术也逐渐成为越来越多的研究人员和学者所关注的热点。通常来说,对于基于深度学习的火焰烟雾检测模型而言,如何根据火焰烟雾的数据特点提取更具有判别性或信息更丰富的目标特征,是提高模型检测表现的关键。除此之外,不容忽视的是,火焰烟雾检测领域的数据集相对匮乏并且难以采集,这对于训练有监督的深度模型而言是一个非常大的挑战。本文主要进行了如下的研究工作:（1）构建两个火焰烟雾检测数据集。针对现有火焰烟雾公开数据集较少,且场景单一问题,本文首先构建两个自然场景下火焰烟雾数据集。针对室内楼宇监控视角,采集和标注了Staircase数据集,共计18 680张图像,正样本14 651张,负样本4 029张;针对互联网社交媒体图像,采集和标注了Multiburn数据集,共包含14 108张图像,其中包含11 608张正样本和2 500张负样本。构建的数据集为火焰烟雾检测提供了必要的研究基础。（2）提出了一种基于空间特征变换的火焰烟雾检测算法。由于火焰烟雾目标存在视觉差异、目标尺度以及形态多样性特点,本文融合空间特征变换提出一种尺度自适应的目标检测网络模型,在两个自建数据集上验证了本文提出模型的有效性,并深入分析了不同的网络结构对火焰烟雾检测模型性能的影响,同时与目前的经典目标检测算法相比,本文提出的算法具有更强的鲁棒性。（3）提出了一种基于动态特征融合的火焰烟雾检测算法。为了更好地融合深度网络中的低分辨率特征和高分辨率特征,丰富特征中的多尺度信息,本文结合特征融合结构提出了一种基于动态特征融合的目标检测网络模型,在两个自建数据集上证明了本文提出模型的有效性,并对实验结果进行了深入地分析,同时与现有目标检测网络相比,验证了提出算法的有效性。