森林在陆地上占据了大部分面积,能够改善人类生活环境,起到净化空气、调节气候的作用,是地球上重要的组成部分。然而火灾不仅严重威胁森林的安全,还威胁人类生存。因此,森林火灾视频识别的研究具有重要意义。当前数字图像技术发展迅速,在森林火灾视频识别的研究中起到了重要作用。本文着重对森林火灾早期的烟雾进行研究,结合日益成熟的无人车技术与火灾烟雾识别技术,达到全时、全面对森林进行监控的目的。本文选用无人车作为烟雾视频采集工具,将获取的视频进行颜色空间模式转换和去噪等处理;从图像中提取烟雾后,采用帧差法进行目标区域提取,并通过形态学处理来剔除烟雾区域中的干扰目标,便于特征提取。本文特征提取主要分为颜色特征与纹理特征提取,将烟雾HSV特征量化处理,统计符合烟雾HSV特征像素点的个数作为颜色的特征向量;纹理特征分为局部二值模式（LBP,Local Binary Pattern）特征提取和灰度共生矩阵特征提取[1]。最后本文使用Lib SVM图像分类技术,分别测试四种核函数并对比测试结果,确定径向基核函数作为本文Lib SVM的核函数。主要结论如下:（1）使用帧差法提取烟雾区域的过程中,会造成图像细节损失,使图像边缘不够圆润,不符合真实烟雾形状形态,故将提取的烟雾区域进行形态学处理。实验中对比开运算、闭运算、先开运算后闭运算、先闭运算后开运算四种方法,得出先闭运算后开运算处理后的烟雾图像更加符合实际。（2）本文在提取烟雾颜色特征的过程中进行改进,首先计算样本图像的HSV平均值,然后提取符合该值的像素点,将像素个数作为特征值。实验对比改进算法与颜色聚合向量算法,结果显示改进算法的正确率为71.17%,颜色聚合向量算法的正确率为54.67%,所以改进算法更适用于本文烟雾特征提取。（3）使用Lib SVM工具箱,对比使用四种核函数得出径向基核函数精确率更高,精确率达92.5%。为提高分类正确率,分别测试四种SVM核函数并对比测试结果,使用径向基核函数正确率可达92.5%。通过最后结果可得,无人车与烟雾识别技术相结合在火灾发生早期只有烟雾的情况下能够进行识别,正确率达92.5%,能够起到森林火灾早期预防和灭火的作用。