随着现代社会电气化程度不断提高,近年来电气火灾的发生概率逐年上升,造成的损害越来越严重,因此各种火灾预警的方法应运而生。而图像识别作为实现火灾预警的重要手段之一,在预警的实时性和可视化上具有较大的优势。但是传统图像识别方法存在检测精度低,难以识别小目标等缺陷。针对这些问题,本文结合基于卷积神经网络的图像算法,深入研究了火灾防控的小目标识别与检测。本文针对当下火灾识别算法的缺陷以及火灾检测算法的不足,结合卷积神经网络在视觉任务上的优良性能,提出了一个基于混合卷积神经网络的火灾图像识别算法和一个基于改进YOLOv3的火灾目标检测算法,并根据上述提出的火灾识别检测算法,设计了一个火灾检测系统,满足了实时监测火灾隐患的实际需求。其中,本文的主要的研究内容和成果总结如下:(1)针对传统火灾图像识别算法存在的检测精度低,难以识别小目标等问题,本文对卷积神经网络的特征提取方式做了深入的研究,并结合特征融合方法,提出了一种基于混合卷积神经网络的火灾识别方法。该方法通过混合多路卷积神经网络的方式,提取不同尺度的特征信息,并通过融合不同尺度的特征信息,提高了火灾的识别精度。(2)针对目前公开火灾数据集缺少的问题,本文构建了一个多场景大规模火灾目标检测数据库。现有火灾检测方法将火灾检测看成一个二分类问题,实现火灾和非火灾的分类。而本文根据火灾的火焰和烟雾信息,将火灾检测形式化为多分类和坐标回归问题。而针对当前目标检测模型在小目标检测性能方面的不足,本文提出了一种火灾检测方法,该方法对YOLOv3小目标检测能力不足的问题进行了改进,并在本文构建的火灾目标检测数据库上进行离线训练,验证了深度学习在火灾小目标检测上的可行性。(3)火灾检测系统开发与应用。在本文所提两种算法的基础上,开发了一套实时火灾检测预警系统,该系统可以通过GUI界面实时显示摄像头监控画面的火灾检测结果,操作人员可以远程控制摄像头,包括画面焦距,云台转向,以及控制本地的火灾检测开关。