居民住宅火灾占我国较大火灾事故的半数以上,其导致的人员伤亡也处于较高水平。居民住宅火灾如今已成为影响我国火灾整体形势的重要部分,有关防控工作成为消防救援任务的重中之重。火灾智能预警系统的装配可以有效降低居民住宅火灾事故的发生率以及人员伤亡率。然而,现阶段的火灾智能预警系统在实际使用场景中的误报率、漏报率仍相对较高,还有较大的提升空间。开发高性能的火灾预警核心智能算法具有重大现实意义。从灭火的角度讲,如果在火灾预警的基础上能知晓火灾初始燃烧物的信息,联动消防设施就可以采取更合理有效的方式扑灭着火点,这对于智慧消防系统的设计、早期火灾扑救等方面都具有指导意义。火灾预警核心智能算法及火灾初始燃烧物识别算法的开发可以为完善火灾智能预警系统功能、更新迭代智慧消防产品提供技术支撑。火灾预警的实现主要依赖于图像识别、人工神经网络等智能技术,但上述实现方法或易受强光、烟雾等因素干扰,不适合室内场景,或对计算硬件条件要求较高,且网络结构复杂,参数众多,不适合嵌入式开发项目。针对以上问题,本文引入基于概率理论的贝叶斯机器学习算法,提出了一种新的火灾预警核心智能算法,即改进朴素贝叶斯算法（INB）,用于室内场景的火灾智能预警。本文采用属性权重和正交矩阵相结合的优化方法对朴素贝叶斯算法（NB）加以优化改进。其中,属性权重系数考虑了每个类别标签下各个属性的取值差异对分类性能的影响,而正交矩阵则弱化了属性间的线性关系,降低了属性间的相关性,使其更贴近属性条件独立性假设。美国国家标准与技术研究院针对室内空间的全尺度燃烧实验数据为模型提供了训练和测试数据集。十次十折交叉验证结果表明:当数据集中含190组样本时,INB已得到充分训练,并展示出稳定的识别准确率。这说明INB不依赖于大量的训练数据,在数据量较小的情况下仍能表现出稳定的火灾预警性能。与其他常见智能算法（NB、BP神经网络、SVM）的对比研究表明:新改进的INB算法的识别正确率、平均查准率、平均召回率和平均F1值在四种算法中最高,分别为96.1%、97.3%,97.2%和97.3%。此外,权重系数和正交矩阵的计算使得INB模型的训练和测试耗时有一定程度的增加,但总的来说仍处于较低水平。考虑到模型性能的大幅提升,时间复杂度上的牺牲是可接受的。火灾初始燃烧物识别作为火灾智能预警系统实现功能上的重要补充,其算法模型的开发同样需要综合考虑模型性能和嵌入式实现的难易程度。本文将D-S证据理论和INB模型相结合,提出了一种火灾初始燃烧物识别模型DS-INB。INB模型中对于类概率的估计计算结果被用于基本概率指派,优化了 D-S证据理论中基本概率指派依赖于专家经验的弊端,避免了证据体融合过程中人为主观因素的影响。同时,为了解决冲突证据体融合效果不佳的问题,本文还引入了一种冲突证据修正方法优化改进D-S证据理论。火灾区域模拟软件CFAST对单室火灾场景的等比例数值模拟计算结果为模型的训练和测试提供了数据集。与其他人工智能算法（NB、INB、BP神经网络）的对比研究结果表明:本文提出的DS-INB算法模型识别正确率、平均查准率、平均召回率和平均F1值均高于传统NB算法、BP神经网络和INB模型,具体值分别为96.2%、98.7%、98.6%和98.6%。以上测试结果说明D-S证据理论对初始燃烧物特征参量的信息融合有效降低了模型判别决策的不确定度,使得模型识别准确率有了进一步的提升。计算量的增大使DS-INB模型的训练和测试时间有所增加,但仍是可接受的且处于较低水平的。最后,本文还展示了火灾预警及初始燃烧物识别的火灾智能预警算法平台的实现过程。测试结果表明:该平台对于火灾预警的正确率和无灾误报率分别为97.8%和2.1%,无漏报情况发生,对于火灾初始燃烧物识别的正确率为95.9%。以上测试结果证明了基于INB和DS-INB模型的火灾智能预警算法平台的可行性与有效性。