我国是森林火灾多发国家,森林火灾的发生严重威胁到人的生命安全,同时也影响了我国经济的发展,降低生态环境质量。为了快速准确的发现森林火灾,很多国家对林火监测系统进行了深入研究。常见的林火监测手段如卫星遥感、塔台瞭望、地面巡视、飞机巡护、传感器探测等都存在一些问题,卫星遥感监测的实时性和精确性不足,塔台瞭望和飞机巡护成本过高,地面巡视工作量巨大但效率低下,传感器的抗干扰能力较低,将其使用到森林环境内检测时,很容易受到外界环境的影响导致检测结果不准确,因此不适用于森林火灾的监测。使用图像监测方法,需进行图像预处理,并通过人工方式从图像内提取相应的火焰特征,该方法的核心即为确定火焰特征,而传统的图像型监测方法识别率不高。综上所述,本次采用深度学习算法,通过卷积神经网络模型进行林火识别。论文的研究内容有:(1)对传统的图像型林火识别算法进行研究。使用HOG算法提取图像特征,并使用SVM进行分类,针对夜晚和白天的不同情况,最终得到白天期间模型的识别准确率约为83%,夜晚林火识别正确率为88%。(2)分析了卷积神经网络模型的结构与组成,并选取适合本实验的模型Inception V3,使用迁移学习训练好本实验所使用的模型,使用该模型训练林火数据集并测试,针对夜晚和白天的不同情况,发现白天时,模型识别准确率可达到96.2%,夜间识别准确率95.7%,相较于传统图像监测,识别准确率更高。(3)将已经识别出来的火灾图片使用SLIC超像素切割,根据单目测距的原理算出火焰的高度,并通过Chandlar C.提出的根据火焰高度求火焰强度的经验公式计算出火焰的强度,该方法的计算误差满足实用要求,实验验证了该方法的有效性。以上研究成果为林火识别和林火强度的计算提供了一种新的思路。相较于传统的识别方法和林火强度计算方法,本文方法可以获得较准确的识别率和方便快捷的林火强度计算方法,具有较强的应用前景。