随着城市化建设进程的不断推进,近年来城市建筑火灾的发生概率呈上升趋势,不仅对人类生命安全带来威胁,而且还会造成严重的财产损失。为了降低城市建筑火灾带来的损失,因此各种火灾预警的方法应运而生。从基于传统图像处理的火灾检测技术到基于机器学习的火灾检测技术,这些火灾检测方法所依靠的特征和判定阈值均是人为设定的,无法涵盖火焰和烟雾的所有特征,得到的结果往往局部最优。深度学习算法在处理图像型数据上具有准确性高、成本低、速度快等优势。因此,本文基于图像型数据,将深度学习算法应用于城市建筑火灾识别与检测领域,致力于研发准确高效的城市建筑火灾识别与检测方法,并为火灾检测技术走向现代化的实际应用提供了理论与技术支持。具体的研究内容主要有:（1）针对基于传统图像处理的识别算法存在检测精度不高且对小目标物体的识别较困难等问题,本文对InceptionV3卷积神经网络做了深入的研究,通过对其网络结构中的激活函数和正则化方法进行改进,提出了一种基于改进的InceptionV3的城市建筑火灾识别算法。通过将火灾识别看作一个二分类问题,实现火灾和非火灾的分类,在本文构建的火灾识别数据库上进行训练。实验结果表明,改进的InceptionV3算法识别精度和速度方面具有良好的性能。（2）针对当前目标检测模型在小目标检测性能方面的不足,根据火灾中的火焰和烟雾信息,将火灾检测问题转化为坐标回归问题,本文对YOLOv4 目标检测算法做了深入研究,通过使用K-means算法进行重新聚类并对其网络结构和非极大值抑制算法进行改进,提出了一种基于改进YOLOv4的城市建筑检测算法。在本文构建的城市建筑火灾检测数据集上进行模型训练。实验结果表明,改进之后的YOLOv4算法在小目标物体检测上表现出较好的检测性能。（3）城市建筑火灾检测系统的开发与应用。基于本文所提出的火灾检测算法,设计并开发了一套城市建筑火灾实时检测预警系统。该系统主要实现了视频获取模块、火灾检测模块、火灾预警模块以及火场信息采集模块。经过系统测试,监测系统可以有效地实现火灾检测的目标。最后,经实验证明,本文提出的城市建筑火灾识别与检测算法均可以对建筑火灾区域进行有效识别与检测,能够满足实时检测火灾的需求,对今后的研究和应用具有重要的价值和指导意义。