现阶段,森林火灾呈现发生频率高、季节性不明显、与人类频繁活动密切相关等新特点,火灾预测难度大,防控工作正面临新的挑战。而目前的林火识别方法,包括以深度神经网络为代表的识别模型,普遍存在着针对性不强、可解释性差和泛化性能力弱等问题,严重阻碍了视觉智能技术在林火问题上的应用推广。本文针对现有方法的火焰漏检、过度依赖目标场景等问题,研究结合监测场景先验知识的林火识别模型问题,主要工作包括:1.从机器学习方法、数字图像成像原理角度出发,分析现有方法普遍存在的场景依赖性问题,并从中构建适合林火问题的评价指标,主要包括:火焰检测率、误报警率、实时性和着火点定位。2.克服现有方法同等重视“火焰”类样本和“非火”类样本问题,基于支持向量机（SVM）,提出了针对林火问题的偏置支持向量机BSVM（Biased SVM）。该方法通过引入L0范数,使火焰漏检问题可控。计算上,为避免求解L0范数的非凸优化问题,本文采用L1范数逼近方法。同时,考虑到SVM模型的L2范数的不鲁棒问题和提高模型的训练速度,本文还考虑了L1范数的BSVM,即L1BSVM。理论上,本文还证明了Lp范数正则化的非线性问题,为非线性的L1BSVM提供理论保证。3.针对森林监测场景的“火焰”类样本稀缺,甚至根本无法获得问题,本文提出了无火场景下林火识别构架,称为ST-MDA（Source Target Multi-Source Adaptation）。该方法创新地借助其它“有火”的多源场景来研究“无火”目标场景的间接感知,并研究在此基础上构建林火模型。事实上,按迁移学习观点,此类问题属于目标域类别缺失问题,在机器学习领域目前仍属空白。以上结合林火先验知识的模型,其性能均在真实的林火图像、视频上进行了验证,与现有的同类型方法相比,本文方法具有高火焰检测率和低误报警率。由于采用了基于像素的样本模式表示,无需颜色空间转换和特征提取,还具有精度高和实时性强的特点。