森林是地球上最重要的资源之一。它不仅能够为生活、生产提供各种宝贵资源,更重要的是能够保护环境、维持生态系统平衡。然而森林火灾的发生对森林造成严重破坏,例如烧毁大量林木、损害林内生物和破坏森林更替等,导致森林生态系统失去平衡,甚至威胁人民生命财产安全。因此,快速识别烟雾是阻止危害发生的重要手段。本文采用深度学习方法对森林火灾烟雾识别进行研究。针对采样的每帧烟雾特征具有极大的相似性,以及森林火灾烟雾数据集相对较小且场景单一等问题,为充分利用烟雾的静态与动态信息来达到预防森林火灾的目的,本文分别从迁移学习和长短期记忆网络两方面进行研究,具体研究内容如下:1.提出一种基于特征迁移的深度卷积(Feature Transfer Deep Convolution,FT-DC)烟雾检测模型。收集并生成了烟雾数据集,并提出一种基于FT-DC烟雾检测模型。针对计算机视觉的火灾烟雾识别方法易被外部环境干扰、识别场景单一,且森林火灾烟雾数据集相对较小等问题,本文将深度学习与迁移学习相结合,使用特征同构的迁移学习方法提取烟雾空间特征。首先预处理烟雾图像,将所有的图像统一大小划分类别,并通过随机旋转、剪切和翻转等操作扩充数据集;其次预训练VGG-16模型,获取在Image Net数据集上已训练好卷积层参数;然后连接softmax激活层微调模型,将烟雾数据集作为输入进行模型微调训练;最后利用公开数据集以及本文扩充的数据集进行实验验证。实验结果表明,使用特征迁移方法对烟雾识别率可达到93.3%以上,但在运动缓慢的烟雾视频和类烟雾环境下识别率只有50%左右,所以二维卷积神经网络不适合单独用于视频烟雾探测。2.提出一种基于深度卷积集成式长短期记忆(Deep Convolution Integrated LSTM,DC-ILSTM)网络的火灾烟雾识别模型算法。发展了一种集成式长短期记忆(Integrated Long Short-Term Memory,ILSTM)网络,并设计了一种基于DC-ILSTM网络的火灾烟雾识别模型。针对二维卷积神经网络只能从视频图像中提取烟雾空间信息,导致误报漏报仍然存在的问题,本文使用循环神经网络学习烟雾空间行为,并提出ILSTM网络聚合烟雾静态特性对烟雾进行二次识别。首先进行特征预处理,对提取的烟雾特征序列进行分段处理,映射到[0,1]范围之间,并经过最大池化层获取区域内最大特征值;然后完成LSTM序列化学习,将预处理的烟雾特征序列作为LSTM网络的输入进行训练,完成特征在时间序列中的表达;最后连接softmax层进行二分类并输出烟雾识别结果。实验结果表明,DC-ILSTM显著提升了识别效果。该模型以更小的最早帧数检测到烟雾,而且检测精度达94.5%以上,误报率低至1.30%。将本文提出的DC-ILSTM算法,在烟雾数据集上进行实验。与其他的深度卷积长递归神经网络相比,实验结果表明了特征迁移的有效性及结合烟雾动态信息提高烟雾识别精度,并在森林火灾烟雾检测中有很好的适用性。