火灾是人类社会中常见且具有极大危害性的灾害之一。因为物质燃烧产生的烟雾传播的速度明显快于明火,所以烟雾检测是早期火灾预警的有效手段。现有的烟雾检测技术包括:基于接触式传感器的烟雾检测技术和基于图像的烟雾检测技术。其中基于接触式传感器的烟雾检测技术经过经过几十年的发展,已经趋于成熟,但其具有检测探测范围小,安装成本高等固有的缺点。基于图像的烟雾检测技术可以解决这些问题,其是近年来早期火灾预警的发展的重点。基于图像的烟雾检测是一项具有挑战性的工作,因为烟雾的颜色、纹理和形状变化大且不规律。研究者们提出了很多图像烟雾检测算法,但大部分都是对图片提取手工特征来表征烟雾的。为了提高烟雾检测的效果,我们提出来提出了一个14层的规范化的深度卷积神经网络(DNCNN),此网络能够自动地提取特征并进行分类。在DNCNN中,我们利用规范化层与卷积层的组合来替代传统的卷积层,以此加快训练过程和提高检测效果。为了尽量避免训练样本数量不足和正负样本不平衡导致的过拟合,我们利用一些数据增强方法从原始训练样本集中生成了足够多的训练样本。利用DNCNN在烟雾图片数据集上进行烟雾检测实验,结果表明本项工作提出的方法在烟雾数据上的检测率达到96.37%的同时将误报率降低到0.60%。