火灾往往严重威胁着公众的生命财产安全,因此早期火灾检测研究具有重要意义和价值。传统的火灾探测器主要以物理传感器为主,通过检测烟光气的变化判断是否发生火灾,但普遍存在覆盖范围小、使用场景单一的问题。近年来,利用监控图像进行火灾检测的视觉型探测器逐渐受到重视,同时,随着深度学习图像算法逐渐成熟,相较于传统手工特征提取算子,神经网络能更好的提取图像中的烟雾、火焰特征,检测精度和速度都有极大提升,因此本文基于深度学习算法对火灾图像检测进行了相关研究。本文提出了烟雾检测与火焰检测共同进行的火灾检测方案。在烟雾检测算法设计中,本文将YOLO V3的原主干网络替换为密集连接网络Densenet121,构成YOLO-Densebackbone网络,并对自建训练集进行在线图像增强操作。火焰检测首先采用了基于预选区域与分类器的方案,算法通过火焰的运动特征和颜色特征筛选得到疑似火焰区域,并通过二次颜色区域扩展算法对空洞处进行填充,利用火焰边界框帧间连续性特征以及颜色像素面积比进一步筛选符合条件的预选区域,最后利用PCBnet的局部特征思想进行火焰预选区域图像二分类。由于火焰边界框尺寸的不规律性,基于锚框的目标检测算法在火焰检测任务中难以取得优势,提出第二种利用anchor-free的Center Net进行火焰识别的方案。该网络基于火焰中心点进行预测,通过将样本集标签转换为特征热力图进行网络训练,在主干网络上选择了DLA-34网络,并利用Focal Loss进行回归。最后本文提出了多种算法性能指标,对上述烟雾、火焰检测算法进行了测试。测试结果表明:YOLO-Densebackbone网络在自建测试集进行烟雾检测时AP值达到87.93,且模型大小减小了一半。基于预选区域与分类器的火焰检测算法以及基于Center Net的火焰检测算法均可以在5s内检测到火焰,检测火焰帧数占总帧数比均大于80%。