随着我国经济和社会的快速发展，各种大型空间建筑火灾事故日益增多。传统的火灾探测识别技术，由于受到各种环境因素的干扰，应用在大空间场合下很难精确进行早期火灾检测和识别。基于数字图像处理的大空间早期火灾自动检测和识别技术以监控视频图像为媒介，利用一定的数字图像处理算法检测和分割出图像序列中的可疑区域，对可疑区域进行特征提取分析，并结合模式识别技术进行智能识别。与传统的火灾探测技术相比较，该技术能够获取更加丰富和直观的火灾信息，并且以其非接触式探测的方式，在反应的有效性、鲁棒性和灵敏性等方面，表现出无可比拟的优越性，非常适合于大空间早期火灾检测和识别。本文以大空间早期火灾火焰作为主要的检测对象，充分利用早期火灾火焰影像的视觉特性，对基于数字图像处理的大空间早期火灾检测和识别技术展开研究，提出了一整套火焰监控图像的自动检测和识别算法。第一，为了提高原始监控视频图像的质量，以保证后续火焰影像区域的检测和识别得以顺利进行，对监控视频图像的预处理技术展开了研究。重点实现了视频图像序列的对比度增强和平滑滤波处理，去除了图像中混入的噪声和畸变，突出了图像中的有用信息，从而改善了图像的质量。第二，基于火灾火焰的监控视频图像序列，首先以阈值处理为代表，分析了基于单一空间域图像处理的图像分割技术应用在视频火焰检测中的优缺点。针对传统图像分割技术的局限性，本文利用早期火灾火焰的亮度、颜色和区域形状处于不断变化中的特性，将火焰视为一种特殊的运动目标，提出将运动目标检测技术应用到火焰图像检测之中，建立监控视频图像像素的自适应混合高斯背景模型。该模型能够根据监控环境的变化进行参数的自适应更新，从而保证运动目标检测的有效性和鲁棒性。为了去除其他运动目标的干扰，使火焰检测结果更加精确，对检测出的运动目标区域进行火焰像素颜色判别和时频闪烁特性分析，提高火焰区域检测算法的精确性。第三，基于火焰视频图像的检测结果，对分割出的火焰图像进行特征描述和分析，提取出火焰候选区域的多种定量特征描绘子。本文从颜色特征、纹理特征和形状特征这三个方面出发来描述火焰影像区域的静态视觉特性；同时引入面积变化率和形体相似度这两种描绘子来描述火焰区域的动态视觉特征，作为对火焰静态视觉特征的补充，以提高火焰识别系统的有效性和鲁棒性。第四，结合模式识别技术，选取火焰影像区域的一阶颜色矩、反差、灰度相关、能量、逆差矩、圆形度、面积变化率和形体相似度这8种特征描绘子，形成火灾模式的特征矢量；以BP神经网络为载体，构建火灾模式识别系统，选取一定量的火灾火焰特征样本，对BP神经网络进行训练。仿真实验表明，训练后的BP神经网络对火灾火焰图像的视觉特征信号具有很好的识别效果，能够应用到火灾智能视频监控系统的开发和应用中。