火灾是船舶安全的主要威胁之一,为了保障船舶的运营安全,需要先进的船舶火灾检测技术支持。现有的火灾检测技术普遍存在反应时间过长,检测效率不高,易受环境因素干扰,维护工作量大等问题。尤其在船舶大空间场所中使用时,效率进一步下降。为了克服现有技术存在的缺陷,论文依托船舶视频监控系统,引入了深度学习理论,通过搭建深度神经网络,设计多模型融合算法,大幅提高船舶火灾检测准确率。为了解决深度神经网络模型在船舶上部署时面临的计算资源不足问题,提出了敏感度剪裁与量化感知相结合的模型压缩策略,有效缩减了模型的参数量。具体工作如下:（1）分析船舶火灾发生发展过程及主要特点,指出船舶火灾在吸热、热解、发烟阶段是最佳扑救时机,但同时发现这一窗口期十分短暂,较难把握。通过对比研究发现,现有的各种火灾检测技术存在一定缺陷,需要改进。（2）建立火灾数据集。现有火灾数据集规模较小,不足以支撑深度学习的训练工作。论文收集了现有的火灾图像数据库,并编写爬虫程序,在各大图像视频网站爬取火灾图像数据。通过数据增强的方式扩充数据集,并对数据集进行人工整理,剔除损坏样本,将正负样本打上相应标签。（3）通过研究现有视频火灾检测技术的后端算法,发现其存在特征提取能力不足,检测效率不稳定等问题。引入了深度学习技术对火灾视频图像做处理。同时结合集成学习思想,设计多模型融合的深度网络火灾检测算法。该算法模型在自建火灾数据集上完成训练和测试工作,并通过与传统算法比较,验证其高效性。（4）针对本算法模型在实际部署中可能遇到的存储环境有限,计算资源不足等问题,提出了敏感度剪裁与感知量化相结合的模型压缩算法。通过缩减模型网络结构与改变参数类型并举的方式,大幅减少了模型的参数量并降低了计算复杂度,同时模型的预测精度并未大幅下滑。在同单一压缩方式的对比实验中,本研究设计的压缩算法压缩幅度更大,精度下滑较少,表现出更强的实用性。论文构建了大规模的船舶火灾数据集,设计基于深度神经网络的多模型融合火灾检测算法,并在自建数据集上完成模型训练,大幅提高了船舶火灾的检测效率。通过提出敏感度剪裁与量化感知相结合的模型压缩算法,进一步降低火灾检测模型在船舶端的部署难度。为船舶的火灾检测工作提供了更有效的技术支持。