烟雾检测因为其在火灾发生前期起到关键作用而被视为火灾检测技术中的重点。传统的传感器烟雾检测系统存在着许多问题。视频烟雾检测的出现解决了传统烟雾检测所带来的诸多问题。现阶段的一些视频烟雾检测系统大多数方法比较简单,错误率较高。因此,本文综合了现阶段的一些视频烟雾检测以及视频行为检测技术,搭建了一个基于时空域深度神经网络的视频烟雾检测系统。因为视频烟雾检测系统处理的是连续帧的视频图像,所以排除大部分的非烟雾区域可以大大降低系统的时间复杂度。由于烟雾存在着运动方向不确定、形态不规则等问题,所以本文采用分块的运动检测快速有效的检测出运动区域。然后,为了进一步缩小检测区域,本文采用暗通道先验烟雾检测来排除一部分非烟区域。在过滤掉多数的非烟雾区域后,提取视频烟雾的时空域特征,进行分类识别。本文通过结合3D卷积神经网络与DenseNet,提出了一种用于处理烟雾视频的深度神经网络。同时,为了减少模型参数,本文使用3×1×1与1×3×3的卷积核代替原有的3×3×3的卷积核。最后本文将Global Average Pooling扩展到时间维度替换了3D卷积神经网络原有的全连接层,进一步的减少了模型参数。通过以上操作,本文搭建了一个时空域深度神经网络来提取烟雾视频的时空域特征。本文采用了目前十分热门的机器学习框架TensorFlow,使用Python实现了整个基于时空域深度神经网络的视频烟雾检测系统。并且在网上公开的视频烟雾检测数据集上进行了算法性能的验证,同时也与目前为止较为经典的视频烟雾检测算法进行了比较。实验表明,本文所提出的方法在准确度上有所提高,误检率也有所下降。