火灾早期，通常先有烟雾产生，随后才是火焰，因此烟雾检测能够提供比火焰更为及时的报警线索，对于确保人民群众的生命以及财产安全、推进火灾预防领域的发展意义重大。传统的烟雾检测方法通过监测空气中烟雾颗粒产生的物理变化来进行烟雾报警，比如温度、浓度等。但此类方法在时间和空间上均受到限制，从时间来说，烟雾浓度需达到一定范围才可以被传感器感知，这很可能导致最佳救援时机的错失；从空间上来说，一些开阔的室外环境也给传感器的安装和使用带来了困难。视频烟雾检测技术的发展解决了传统方法的诸多弊端，但现阶段的烟雾检测算法大多依赖于特定环境下烟雾特征选取，鲁棒性较差且错误率较高。
　　近年来随着人工智能产业不断推进，机器学习、深度学习算法得到迅猛发展，卷积神经网络作为其重要组成部分，在图片分类、物体检测、语义分割等大型视频图像处理过程中表现卓越。通过海量数据样本的训练，深度神经网络可以自动学习到反映图像本质的表征信息，同现有的手工特征方法相比更适用于烟雾检测。
　　因此，本文将语义分割网络应用于烟雾检测任务，搭建了完整的DeeplabV3模型来实现语义级别的烟雾分类，能够在定位烟雾区域的基础上，勾勒出更为细致的烟雾轮廓信息。同时对该算法进一步优化，首先在编码结构后面增加了特征细化模块来削弱空洞卷积产生的网格效应；针对烟雾这类尺度和姿态多变的非刚性目标，在带有空洞卷积的空间金字塔模块中引入可变形卷积来更好地学习烟雾的形变；为了进一步恢复烟雾的空间细节，提出了通道注意力解码器模块。最终的网络模型具有较好的检测精度和较强的泛化性能。
　　根据烟雾语义分割数据集的测试结果，本文最终模型平均每张图片的预测时间为71.73ms，平均像素精确度为97.78%，平均交并比为91.21%，与经典网络相比更加适用于烟雾分割。在公开烟雾视频上进行测试，实验结果表明本文最终模型能较好地适用于复杂环境，检测效果优于现有视频烟雾检测算法，具有理论意义和应用价值。