火灾识别作为火灾监测系统的一个非常重要的组成部分,一直以来都是国内外研究人员研究的热点和难点。关于火灾识别的研究,虽然已经提出了很多算法,但是仍然有很多值得研究的问题。早期的火灾监测研究的过程中,由于研究样本选择的局限性、对系统实时性等的考虑不足,在实际的应用中受到很大的限制。我国的火灾监测技术的发展与国外发达国家相比还有很大的差距。基于目前国内外火灾监测技术的现状,本文重点研究了基于图像/视频的火灾识别方法。本文主要从火灾图像的预处理、火焰区域的分割、火灾的识别方法三个方面进行研究。在火灾的预处理方面主要研究火灾图像的降噪方法。在火焰的分割方面,通过对一千多幅实验样本进行统计,提出一种基于红色(R)分量的火焰区域分割方法,与传统的分割方法相比取得了较好的分割效果;在对视频的处理中,通过和帧差分方法相结合,使得分割对于云雾等白色区域的抗干扰能力得到加强。在火灾的识别方法方面,本文采用了三种基于火灾图像抽象特征的火灾识别方法,并从火灾识别的准确率、误报率、漏报率和火灾识别的实时性等方面进行了分析和研究。这三种方法分别是PCA+神经网络的方法、RBM方法、ELM方法。这三种方法均无需提取出火焰具体的动态或静态特征,就能很好的对火灾进行预报。其中改进的ELM方法对于火灾识别的准确率最高达到95%以上,而且对1800幅样本的测试时间小于1s,能够很好的满足系统实时性的要求。