机器视觉技术运用领域的不断延伸对灾害检测技术的智能化发展也产生了一定影响。在各类灾害中,火灾属于影响范围较广的灾害之一,鉴于其属于可防可控范畴,将早期火灾检测与识别作为主要研究方向。各类传感器作为传统火灾检测的主要技术支撑,受外部环境影响严重,这促使了机器视觉技术在视频火灾检测预防领域的发展。火灾的发生常伴随两种事物形态:烟雾、火焰,因此对火灾的检测主要针对这两部分展开。根据烟雾和火焰的不同特征分别设计了对应的检测识别算法,具体研究内容及创新点如下:1)针对烟雾边缘模糊、形态不稳定导致的特征提取难度高问题,提出一种基于特征分析的卷积神经网络烟雾检测识别算法,简称FAN＿CNN(Feature Analysis Net＿CNN)算法。将烟雾较为明显的浅层特征与卷积神经网络对图像深度特征强大的自我学习能力进行结合。FAN＿CNN算法由两个结构层组成:特征分析层与目标识别层。特征分析层主要利用烟雾的运动方向特征与颜色特征滤除掉非烟雾图像以及烟雾图像中存在的干扰,降低计算数量级的同时提升输入样本的可参考性。目标识别层利用卷积神经网络提取烟雾图像块的深度特征。使用dropout和数据增强方式防止过拟合问题。最后根据图像块坐标标注出图像中烟雾区域。与经典卷积神经网络算法进行性能对比,FAN＿CNN算法在检测率方面有一定提升。2)针对火焰检测研究无官方数据集造成的样本量不足问题,设计一种基于熵值加权支持向量机的火焰检测识别方法。基于火焰的运动特征,提出Th-ViBe改进算法对疑似火焰区域进行获取。然后提取火焰的纹理、灰度、面积变化率,圆形度等特征组成特征向量组。最终将完成重要性评估的特征向量组输入支持向量机中建立熵值加权火焰检测识别模型。与传统支持向量机进行性能对比,熵值加权支持向量机火焰检测模型在准确率和灵敏度方面更具优势。