森林资源是人类赖以生存的重要资源之一。森林火灾不仅会对森林资源造成巨大损害,还会给人类带来严重损失。因此,实时准确地检测森林火灾对保护森林资源具有重要的意义。森林火灾检测是目标检测的一个应用场景,它包括火灾识别和火灾定位两个任务,即在图像中识别火灾并找到火灾的位置并标记出来。火灾检测包含烟雾检测和火焰检测。烟雾较于火焰发生在火灾早期,可以作为森林火灾早期检测的重要标志。为了及时检测森林火灾,本文选择了火灾烟雾作为森林火灾检测的对象,并分析了典型的单阶段检测模型YOLO v3和双阶段检测模型Faster R-CNN,并对森林火灾烟雾进行了算法的实验对比和分析。通过研究和对比实验,选择了YOLO v3算法作为森林火灾烟雾检测的基本模型。针对YOLO v3算法局部特征利用率低和多尺度特征融合不充分的问题,本文深入研究了空间金字塔网络和路径增强网络,并根据YOLO v3模型构建了空间金字塔池化模块和特征金字塔路径增强模块。将两个模块嵌入到YOLO v3模型中,形成YOLO v3-SPP-PAN模型。空间金字塔池化模块可以有效提取局部和全局特征,特征金字塔路径增强模块可以有效利用低层位置特征并进行多尺度特征融合。优化后模型测试的精准率、召回率以及平均精度均有所提高且在97%以上。对实际无雾火灾场景的检测,YOLO v3-SPP-PAN的检测置信度达到93%。针对YOLO v3-SPP-PAN模型收敛较慢以及在有雾检测场景中置信度较低的问题,本文深入研究了CBAM注意力模块,并将其嵌入到YOLO v3-SPP-PAN模型中,构建了CBAM-YOLO v3-SPP-PAN模型。CBAM模块可通过通道注意力和空间注意力专注于森林火灾烟雾特征。优化后模型的收敛性得到加快且测试的精准率提高了0.4%。对实际有雾火灾场景的检测,优化后模型的检测置信度提高了8%。实验表明,CBAM-YOLO v3-SPP-PAN模型可以有效进行森林火灾检测,且检测效果良好。