火灾已成为威胁公众安全的主要灾害之一,在发生早期能够及时发现并预警具有重要的意义。随着智能监控处理能力的提升,如今火灾检测技术朝着智能化方向发展,通过分析监控设备采集的视频实现火灾报警的方法逐步成为火灾检测技术的革新方向之一。这种基于视频的智能火灾识别系统无需另外安装火灾探测器,通过对监控图像、视频进行分析即可实现火情监测。因此本文以图像处理技术为基础,结合机器学习与深度学习相关理论,对基于图像、视频的火灾识别进行研究,主要完成了如下的工作:1.搜集了各大研究机构公开的火灾视频和图片,整理了自己拍摄的数据,用于构建本文的数据集,并在此基础上利用了图像翻转、图像缩放、色域变换等方式进行实时数据增强,提高了后续火灾识别算法的鲁棒性。2.介绍了RGB和HSI颜色空间模型,并实现了RGB模型到HSI模型的转换,然后通过图像二值化、中值滤波和直方图均衡化等图像预处理方式对火灾图像进行处理,最后利用颜色判据和动态检测完成了火焰区域的初步判定。3.针对背景环境问题分开建立了火灾数据集,研究了环境背景对火灾检测的影响。然后利用灰度共生矩阵,方向梯度直方图和局部二值模式提取火焰特征,并实现了多特征的融合。最后利用网格搜索法对支持向量机进行优化调整,成功实现了火灾的分类识别,在复杂环境条件下,识别准确率达78.42%,在室内环境条件下,识别准确率达87.91%。4.对现有模型的参数量进行研究,提出了以倒残差结构和深度可分离卷积为核心的分类网络,在复杂环境条件下,准确率达92.80%,在室内环境条件下,准确率达98.90%。5.用YOLOv4算法对火灾多目标区域进行了分析,然后结合深度可分离卷积提出了一种改进的算法模型,最后与同类型的算法和常见的火灾探测器进行对比,实现了基于视频的智能火灾识别系统的完整流程。