烟火无情,这一点在关乎国计民生的电力领域体现的尤为明显。烟火一旦蔓延开来,轻则引发短路跳闸,重则烧毁各类设备,引发重大停电事故,威胁人民生命财产安全。如果能在烟火隐患发生初期及时发现并处理,则可以有效规避严重后果的发生。目前电力领域主要采用人工巡视、烟雾探测和人工视频监控等传统手段进行防控,这些方法存在准确率低、时效慢等问题。因此,为了解放人力、提升工作效率,研究面向电力领域的高效便捷的烟火识别技术迫在眉睫。针对此问题,本文旨在结合深度学习和计算机视觉领域的先进技术,研究基于视觉的电力领域智能化烟火识别技术,并从数据、模型、后处理三个角度出发改进技术方案,提出了基于YOLOv3改进的烟火识别方法（YOLOv3-SF）,解决了应用落地过程中遇到的因复杂背景引发的误报、因目标尺度过小导致的漏报以及推理速度慢且不稳定等难点问题,主要研究工作包括:针对复杂环境干扰带来的误报问题,在数据方面,本文设计了亮度变换、增加高斯噪声、图像混合三种数据增强方法,有效降低了光亮变化、噪声等各类外界条件对模型检测效果的影响,提升了模型对复杂多变的环境的适应性;在模型方面,考虑到烟火形态多变且不规则的特点,本文通过在残差模块中嵌入能有效适应目标形变的可变形卷积层来实现卷积方式的优化,可以更好地捕捉烟火的特征信息,降低环境中复杂背景的干扰,使得模型的检测效果有了进一步的提升。针对目标尺度过小导致的漏报问题,本文在现有基础模型拥有的三个检测尺度基础上增加了一个新的检测尺度,借助浅层大特征图上的高分辨率特征来表征小目标,一共从四个检测尺度进行烟火的预测,使得模型可以自适应烟火目标的大小变化;除此之外,本文提出了基于K-means++算法的目标框聚类分析方法。具体地,我们根据烟火识别任务中目标的尺度信息,聚类得到符合烟火识别任务目标特点的先验框,从而提升烟火识别模型的训练效果。针对推理速度慢且不稳定的问题,本文提出了基于TensorRT和TensorFlow Serving的推理及部署优化方法,我们利用TensorRT模块对模型的推理工作进行了优化,实现了在精度损失很小的情况下提速降显存占用的效果,同时利用TensorFlow Serving工具搭建了满足工业化应用的烟火识别模型部署框架,满足了可靠稳定运行的部署要求。