随着城市化进程不断推进,城市建筑朝着密集化和高层化方向发展,火灾的发生隐患也不断的加大,对火灾检测方法提出了更高的要求。火灾信号自身具有动态过程性和非平稳性的特点,传统的火灾检测方法是针对单个传感器的输出进行处理,容易产生误报和漏报,而且目前火灾检测主要研究方向是判断火灾的有无,还无法对火灾燃烧物种类进行判断。为了更准确进行火灾预警和采取有效的火灾扑救方法,在精准判断火灾的同时,对燃烧物种类的研究也具有很大意义。机器学习和深度学习的应用研究成为热点,也推动着检测设备朝着智能化发展。这两点为解决火灾检测中出现的问题提供了理论支持和平台支撑。综上所述,为了克服传统火灾检测的缺陷,本文在对比传统火灾检测方法和智能化检测方法的原理后,提出一种基于代价敏感极限学习(Cost-sensitive Extreme Learning Machine)的火灾检测方法。为克服单一传感器易受到环境干扰,该方法利用多传感器融合技术,综合考虑火灾燃烧过程中多个特征信号,避免单一传感器对监测环境造成不正确的描述。实验结果表明,所提出的火灾检测算法能降低火灾的漏报率。另外,本文对极限学习机方法进行改进,将DS证据理论(DS evidence theory)和极限学习机相结合,提出DS-ELM火灾燃烧物识别方法。为火灾扑救和灾后现场分析提供参考。仿真实验结果表明,所提出的火灾燃烧物识别方法对于不同燃烧物都能得到较好的分类性能。本文研究工作主要包括:(1)为使实验更接近真实环境,我们搭建了基于STM32的火灾燃烧物采集平台,在真实环境中采集火灾数据和不同燃烧物数据,然后数据通过WIFI传输到电脑终端。(2)研究了火灾数据的预处理方法,降低噪声数据的干扰,使得采集到的燃烧物数据更加的可靠有效。(3)针对火灾检测中火灾样本和非火灾样本误分类代价不同的特点,以极限学习机为基础,在学习过程中引入代价矩阵,提出一种基于代价敏感极限学习机火灾检测方法。实验结果表明,与其他方法相比,该方法不仅能使火灾漏报率接近为0,而且能使非火灾样本的误报率达到一个较低水平,克服现有火灾检测方法只追求高分类准确性,忽视火灾样本漏报率高的缺点。(4)分析不同燃烧物分类的可能性,比较其他识别算法和极限学习机在燃烧物识别中的优点和不足,选择极限学习机作为火灾燃烧物识别的方法。(5)分析DS证据理论优缺点,提出DS-ELM方法以进一步提高火灾燃烧物分类准确率,通过与未优化的ELM方法对比验证,本文提出的方法在特异性、灵敏度和正确率三个衡量指标上都提升10%左右,并且在不同燃烧点都具有较好的适应性。