火灾作为破坏性非常大的灾害之一，每年都会对经济和环境造成巨大损失。因此，及早发现火灾并进行预警对火灾防治具有至关重要的作用。目前火灾识别的方法已经从传统传感器探测演变为图像型火灾的研究，但仍存在特征选取盲目和识别率低的问题。针对此问题，本文重点研究基于深度学习的火灾识别方法，主要研究内容与创新点归纳为以下几个方面：
　　（1）深度神经网络模型的相关研究
　　对全连接神经网络和卷积神经网络的结构和算法进行研究，并通过在公开数据集上进行仿真比较，选择使用卷积神经网络作为火灾识别的基础模型，为后续研究的开展打下基础。
　　（2）完成火灾图像数据库的构建和预处理
　　为了完成火灾图像数据库的构建，通过网上公开数据集、现场手机拍摄和网上下载，获得涵盖工厂、学校、森林等各种类型的室外场景火灾正样本图像500张，并使用1000张反例作为负样本。为了降低图像质量对最终识别率的影响，采用中值滤波和直方图均衡化对图像进行简单的预处理操作。
　　（3）深度学习中训练样本不平衡问题的研究
　　针对训练样本类别间的不平衡会造成模型表现下降问题，提出一种改进生成对抗神经网络方法。通过训练改进生成对抗神经网络逼近样本数据的真实分布，再利用训练好的生成模型生成与训练数据服从相似分布的图像，完成对少量火灾正样本数据的扩充。仿真实验表明，经过改进生成对抗神经网络平衡样本后，所训练的卷积神经网络模型较原始不平衡数据集平滑，有效提升了模型表现。
　　（4）深度学习中小样本过拟合问题的研究
　　针对深度学习方法需要海量样本，在样本不足时会造成过拟合的问题，在解决样本不平衡问题后，提出基于迁移学习的小样本火灾识别方法。将在Image-Net大型数据集上预训练好的轻量级网络MobileNet作为媒介迁移到平衡后的目标火灾数据集上，冻结卷积层参数作为特征提取器，引进全局最大池化方法，更改输出层神经元的个数，采用改进正态分布方法初始化并进行训练，最终完成模型性能测试。仿真结果表明，该方法在有效提升识别率的同时避免了过拟合的发生。