《全国森林防火规划（2016-2025年）》提到,我国森林生态环境脆弱,森林防火能力急需进一步提升,加强基础设施和装备建设,完善科学防火体系,全面提高森林火灾防控能力,最大限度地减少森林火灾发生和灾害损失。利用高效的方法与技术实现对森林火灾的识别和预警,对林火防治监测和促进计算机视觉的应用扩展都具有重要的意义。本文从传统森林烟火识别方法改进入手,综合运用图像处理、机器学习、深度学习等方法,开展森林烟火视频识别方法研究,主要研究工作如下:（1）为获取高效的森林视频数据,针对林火监测无人机有限时间最大巡航线路的需求,对无人机巡航线路规划算法加以研究。提出了一种混合蚁群算法,利用遗传算法和粒子群算法对蚁群算法启发因子加以改进,采用蚁群算法双信息素更新,改善了原有迭代慢陷入最优解的问题。综合考虑无人机巡航约束的巡航规划实验表明,航迹代价减少4.26%,迭代次数减少9.1%。（2）提出一种将火焰多特征提取与支持向量机联合的林火火焰识别模型,在图像分割算法中进行改变约束条件、在RGB和HIS颜色空间融入YCb Cr颜色模型、利用灰度阈值确定火焰纹理和运动显著性,均能较好的提取火焰显著特征,将其用于火焰分类识别特征输入量进行SVM分类,有效识别视频中林火内容,实验表明对林火火焰的正确识别率达89.9%。（3）提出一种基于不规则运动区域动态纹理的林火烟雾识别算法。在数据集中选取白色、黑色烟雾及带有干扰物视频,建立烟雾动态纹理的训练库和测试库。使用滑动窗口的方式进行烟雾检测,基于背景减除法提取运动前景,使用CLBP描述子对疑似烟雾块提取动态纹理特征向量,并用支持向量机进行训练和分类,实验结果表明,帧级烟雾视频图像的正确识别率为91.8%。基于该方法,进一步对其他描述子从编码模式、采集点数等方面进行了性能比较。（4）提出并设计了一种基于多特征视频目标识别网络架构,发掘视频在不同表示空间下的特征,生成更加健壮的特征图并用于后续的目标检测任务。将视频输入到基于多表征特征提取的骨干网络生成包含完备表征信息的特征图,区域建议网络利用多表征特征图预测可能出现目标区域作为待选区。待选区结合骨干网络生成的多表征特征图进行区域最大池化生成目标特征向量,并用来计算目标类型概率和目标边界框回归参数。实验表明,该算法在复杂场景下同样能够保持良好的性能,具备快速的判断目标属性实现林火检测的能力,火视频目标识别的准确率达94.1%。综上,本文开展多种火焰及烟雾特征提取方式的林火视频目标识别研究,创新地提出将多种特征和深度学习方法结合,多特征提取的林火视频检测网络显著提升了探测效果减低了误报率,降低了时间损耗。