基于深度学习的火焰检测算法根据现有的目标检测模型自动挖掘图像中的特征信息,简化了特征提取过程,其检测性能优于传统的火焰检测算法。由于真实场景复杂多变,该方法容易将一些颜色相近的物体误判成火焰。本文针对目标检测模型误检数目较多、单波段图像提供信息有限等问题,在可见光和红外图像的基础上,对火焰检测算法展开研究,并进行相关实验的验证。本文主要内容如下:（1）针对火焰容易与颜色相近的干扰物体混淆的问题,研究了一种基于可见光图像的火焰检测算法。算法基于检测网络与分类网络构建基础模型,首先,使用CenterNet对图像中的目标进行识别与定位,然后,将前景区域送入训练好的Mobile Net V2分类网络实现对前景目标的再次分类,最后,根据分类结果对检测器的预测框进行纠正。此外,通过在分类网络添加多个BAM注意力层,使得模型关注火焰的关键特征,有利于对火焰与疑似火焰物体进行辨别。该方法采用轻量级分类网络对检测结果进行纠正,有效降低了误检数目,取得了较好的火焰检测效果。（2）针对基于可见光图像的火焰检测算法对于部分负样本识别困难、无法满足不同实际场景下的应用需求等问题,研究了一种基于双波段图像的火焰检测算法。首先使用两个摄像头捕捉火焰的可见光图像和近红外图像,然后利用YOLOv5目标检测算法从图像中提取火焰前景,通过对得到的两个前景区域进行匹配,判断是否有真实火焰发生。当检测帧超过5帧,触发报警。该方法结合火焰在近红外、可见光图像上的特性,提高了真实场景下火焰检测的准确率,具有较强的抗干扰能力。（3）基于对火焰检测算法的研究,设计了基于双波段图像的火焰检测系统。该系统可以对监控场景的安全状况进行实时监控,及时反馈报警信息,提高了自动化与智能化水平。