森林火灾给全球的生态环境以及人类安全造成了严重的威胁,甚至对生物系统的多样性造成了不可逆转的伤害。随着过去几十年全球卫星遥感的快速发展,越来越多的研究人员通过遥感影像处理,可以检测并跟踪火灾现场,及时提供火灾发生信息,也可以了解小火点如秸杆焚烧情况,为了解火灾情况提供大量有用信息,因此对于遥感图像的火点检测是很有意义的。传统的遥感图像的火点检测的方法多是基于阈值判断来实现的,环境适应性较差且阈值的选择只能满足若干图像,不能同时兼顾漏检率和误检率。针对传统方法的问题,本文设计了一个结合阈值处理和深度学习的分类器用于火点检测,研究工作如下:（1）基于阈值与亮温关系模型的火点初步筛选:为了能够快速大量地剔除非火点像素,确定火点候选点,首先通过短波红外和近红外波段对遥感图像进行高温中心点检测,针对高温中心点周围邻域对普通高温点搜索,将确定为高温中心点的像素通过聚类形成点簇并记录高温中心点的坐标和对应的面积,最后基于面积与亮温关系的模型,对不同面积的火点选取合适的温度阈值来完成初步火点检测。将初步检测得到的火点的图像块输出,这些图像块包括不同波段组合,从这些火点候选点位置取出的块图像一部分用来作为精确判别分类器的训练数据。（2）基于深度学习的火点块图像分类器:为了将初步筛选结果进行精确的判别,将火点候选点的块图像作为输入,经过本文提出的改进的VGG16网络进行训练,得到各波段组合图像对应的分类器模型。（3）基于VGG16的组合分类器:为了充分利用各波段的优势,将不同波段组合图像训练得到的VGG16网络模型采用加权投票的方式组合得到了一个精确判别分类器。将通过火点的初步筛选得到的所有不同波段组合的块图像作为分类器的输入,对其进行综合性精确判别。本文采取传统方法与深度学习方法相结合的方式对遥感图像进行火点检测。本文方法的初步筛选属于非平衡数据处理中的欠采样技术,将整张图像中大部分的非火点数据剔除,解决了精确判别中正负样本差距过大的问题。在对整张图像的测试中,初步筛选可以删除掉大量无效非火点像素,保留若干火点,经过精确判别模型,准确率平均可以达到0.96,精准率可以达到0.83,漏检率可以达到0.07,本文的算法相比于传统学习算法而言,提高了算法准确性和鲁棒性。