粮食储备库是国家集中储藏原粮、成品粮的重要地点。由于粮食具有可燃性和自燃性,故粮库发生火灾的危险性较大。近十年来,全国各地陆续发生多起粮库火灾事件,造成巨大的资源浪费和经济损失。目前,粮库主要采用烟雾传感器、温度传感器等设备进行火灾检测。但在大空间、多粉尘和高湿度的粮仓中,这些传感器设备容易受到干扰,无法快速、有效采集温度和烟雾浓度的信息,故漏报率和误报率较高。随着国家“粮安工程”的实施,粮库中已普及安装监控设备,而监控摄像机是无接触式的设备,受粉尘和湿度的影响较小,且响应速度快。因此,本文以监控视频图像为基础,结合深度学习技术进行粮库火灾检测方法的研究。针对火灾检测的实时性需求和粮库环境特点,提出改进CenterNet的粮库火灾检测算法和改进YOLOv5s的粮库火灾检测算法。本文主要研究内容如下:（1）建立粮库火灾数据集。目前没有粮库火灾相关的公共数据集,为提升粮库火灾检测的准确性,自制粮库火灾数据集。通过在粮库场景下拍摄火灾视频和图像,以及从国内外研究火灾科学的高校、科研院所公开的火灾数据集中获取类似粮库场景的图像,完成11000余幅粮库火灾图像的收集。之后,使用Label Img软件对数据集中的图像进行标注。最终建立符合VOC数据集格式的标准粮库火灾数据集。（2）提出基于改进CenterNet的粮库火灾检测算法。针对CenterNet算法结构轻量化,但检测精度不足的问题,从CenterNet算法的主干网络和解码网络两方面进行改进。首先,在主干网络中引入ECA模块,以增强目标的特征表示能力。其次,在解码网络中引入多尺度通道注意模块,获取目标的局部和全局上下文信息,以提升烟雾和火焰的定位精度。实验结果表明,改进后CenterNet算法的检测精度比原CenterNet算法提高1.66%,检测速度达到36.05帧/秒,有效减少形状模糊的烟雾和火焰的漏检。（3）提出基于改进YOLOv5s的粮库火灾检测算法。针对粮库环境复杂,类似火焰和烟雾目标多的问题,在YOLOv5s算法的主干网络中引入CA注意力模块,突出图像中火焰和烟雾的特征,进而减少对类似火焰和类似烟雾物体的误检。针对火焰和烟雾的形状、尺度多变造成的漏检问题,在YOLOv5s算法的颈部网络引入注意力特征融合模块,有效融合不同尺度的特征,进而提升对尺度变化极端的烟雾和火焰目标的检测精度。实验结果表明,改进后YOLOv5s算法的平均精度比原YOLOv5s算法提高2.2%,达到81.4%,检测速度达到70.42帧/秒,满足粮库火灾的实时检测需求,在粮库复杂火灾场景中具有更好的鲁棒性。