烟雾检测是森林火灾预防与有效扑救的前提。由于实际森林火灾烟雾数据获取困难,形成所谓小样本问题。因此提高小样本分类准确度并解决烟雾小样本图像分类识别问题具有重要研究意义。针对森林火灾烟雾数据集小,迁移学习模型获取困难问题,本文采用深度迁移学习方法对森林火灾烟雾识别进行研究,利用训练好的深度卷积神经网络对烟雾图像进行特征提取,采用基于判别特征对齐的域内规划迁移学习算法。主要研究工作如下:（1）提出了基于域内规划的类质心匹配迁移算法（Intra-domain Programming Class Centroid Matching,PCCM）。为解决缺乏标签数据的烟雾检测问题,首先利用深度卷积神经网络进行特征同构迁移,从森林火灾烟雾影像中提取出特征。并在此基础上,利用类质心匹配对其进行拟标记。即将领域自适应的分布差异最小化问题重构为类质心匹配问题。为了保证充分利用目标域数据结构,加入域内规划法,从域中学习有用的迁移信息。最后分别在视频烟雾影像数据集上和卫星遥感烟雾影像数据集上设置对比实验进行验证,并以主流的迁移学习算法作为对照组,实验结果表明该算法对视频烟雾影像和卫星遥感烟雾影像的识别精度分别达到85.50%和92.50%。由实验结果可知目标域数据结构会对识别准确率有一定的影响,充分利用目标域数据结构可以在识别检测精度上有所提升。（2）提出了基于局部流形的判别特征对齐的分类算法（Discriminative Feature Alignment Based on local Manifold,MDFA）。为解决直接对齐烟雾特征边缘分布而会忽略其固有的判别信息的问题,对判别特征展开研究,提出了基于局部流形的判别特征对齐（MDFA）的烟雾识别算法。首先研究了判别特征的学习方法,对目标领域中未标记样本的类别标签进行预测,将属于同一类的跨域样本合并,然后将每一类的判别特征对齐,充分发挥类级别结构的作用,并引入局部流形促进聚类。最后,利用视频图像和卫星遥感图像数据对模型进行了测试,结果表明,对视频图像的识别精度和对卫星遥感图像的识别精度分别提高2.50%和2%。（3）提出了基于判别特征对齐的域内规划（Intra-domain Programming Class Centroid Matching Based on Discriminant Feature Alignment,DFA-PCCM）小样本分类算法。为使类级结构能够很好地发挥作用,利用目标域的聚类学习固有的判别特征,联合类级判别特征进行对齐,本文提出DFA-PCCM算法。首先利用局部流形结构提高聚类性能,利用聚类质心学习判别特征,然后用伪标签对齐判别特征。通过对判别特征的学习和对齐可以进一步提高伪标签和聚类质心的准确性。这两个阶段迭代地工作并相互可以进一步提高算法的性能。该类算法可利用一种小样本数据作为辅助域,对目标域的另一种小样本数据实现分类。最后基于卫星遥感图像与视频影像图像数据集对该模型进行评估,分别与其他基于深度网络的烟雾检测识别模型进行比较。实验结果显示,对视频图像的识别精度和对卫星遥感图像的识别精度分别提高0.51%和2.52%;同时算法在迭代10次时就已经收敛,证明了在时间复杂度上的优势。