火灾是发生最频繁、破坏性最大的灾害之一,它严重威胁着人类生命和财产安全以及自然生态环境。图像型火焰检测技术有效地弥补了传统的传感器火焰检测装置传播速度慢、误报率高、无法适用于室外大空间等弊端,得到广泛的关注与研究。提取火焰特征,使用模式识别算法检测火焰是图像型火焰检测的一类主流方法。但是,现有的图像型算法大多是针对已经形成火灾的火焰进行分析识别,对于未形成火灾的早期火焰高危点的检测能力却很有限。而且普通相机很难透过阻挡镜头的障碍物来检测,降低了探测器的检测能力。使用红外摄像机采集火焰数据可以有效地解决上述问题。红外热成像技术被广泛应用于火焰检测技术中,其优势在于,它不受遮挡物的视觉限制、抗干扰能力强并且会根据检测对象添加一维的温度信息,对于早期火灾检测具有宝贵的价值,有助于火灾早期预警。本文使用红外摄像机作为火焰数据的采集设备,并结合火焰多特征融合的方式,提出一种基于随机向量功能连接（Random Vector Functional Link,RVFL）网络的红外火焰探测器,重点对所采用的模式识别算法进行改进,提高火焰的识别精度。本文具体研究的内容如下:（1）针对网络的输入权值与隐藏层偏差完全随机分配导致的模型不稳定问题,提出一种随机参数优化的增量型随机向量功能连接网络。首先,利用指数加权平均算法稳定序列、降低异常值影响的特点优化输入权值与偏差,降低随机分配时可能产生的异常值的权重,加强网络的稳定性。然后,将凸函数等间隔时间内的下降梯度比应用到网络的误差序列中,加快模型误差的下降速度。通过UCI数据集验证本文提出的优化算法。实验结果表明,优化后的网络能够使得拟合的均方根误差更小,分类精度更高,稳定性更好,模型的收敛速度更快。（2）针对网络训练数据存在离群值,降低模型泛化性能的问题,提出了一种正则化的随机向量功能连接网络。首先,根据L21范数可以减少噪声对模型的影响,降低学习模型内在复杂性的特点,引入L21范数作为模型损失函数的正则化约束。然后,为降低经验风险给模型带来的影响,通过加权算法对输出权值的参数进行权重调整,降低离群值对模型的影响,提升模型的鲁棒性和泛化能力。通过函数拟合和UCI二分类数据集来验证算法的性能。实验结果表明,提出的正则化网络的泛化性能更好,鲁棒性更强,处理离群值方面的效果显著。（3）使用红外摄像机作为采集火焰的设备,提出一种基于随机向量功能连接网络的红外火焰探测器,同时进行了硬件电路以及软件程序的设计。通过提取红外火焰图像的动态特征和静态特征,结合多特征融合的方式,分别使用两种优化后的网络对采集的数据样本进行训练和分类。实验结果表明,优化后的网络能够有效地提升火焰探测器的识别精确度和抗干扰能力。