城市高层建筑的密集发展不但增加了火灾发生的隐患,更加大了火灾检测、报警的难度。由于火灾信号具有不确定、易受干扰等特点,如果采用目前被广泛应用的基于单特征信号的检测方法来检测火灾,会导致较高的误报率和漏报率,而且,检测系统也无法有效抗击干扰并适应环境的各种变化。为了摆脱这种传统火灾检测方法的缺陷,本文在阐述了多源信息融合基本概念与优点之后,提出了一种基于多源信息融合方法的智能火灾检测系统。该系统应多源信息融合的要求,综合考虑多种类型的火灾特征信号(CO浓度、烟雾浓度及温度变化率),以克服单特征信号对外部研究对象片面描述的缺陷。依据多源信息融合系统的层次结构,本系统将被选取的多种火灾特征信息经过信息层、特征层、决策层三层分别处理。为了体现该系统的智能特性,本文在特征层、决策层分别运用了人工神经网络和模糊推理技术两种人工智能方法对火灾特征信号进行多源火灾信号的融合处理。这两种人工智能方法使火灾检测系统具备了自学习、自适应以及高级推理等智能特性,并提高了系统识别火灾的可靠性。特别地,本系统的特征层将RBF和BP两个单一网络互相结合,并提出了RBF-BP混合神经网络,该网络对单一的BP网络和RBF网络进行了优、缺点互补,获得了更为优越的网络性能。将该网络运用于火灾检测技术中,可以有效提高系统识别的准确度。通过本文所设计的火灾检测仿真模拟软件对样本数据的训练,对比了三种神经网络各项性能,证实了RBF-BP混合网络的优化效果,更验证了将多源信息融合思想、人工神经网络及模糊推理技术应用到火灾检测技术上以提高检测系统识别性能的可行性。