火灾是一种极其常见的自然灾害,火灾的预防与检测在许多场合下都显得尤为重要。传统的火焰探测器往往存在检测范围小,反应慢,设备易老化等缺陷,不能满足部分场合下的火灾检测与监控需求,而基于图像的火焰检测技术通过图像处理以及深度学习等相关方法进行画面中有无火焰的检测,可很好地避免传统火焰探测器的缺陷。针对火焰检测问题,本文设计了三种火焰检测算法,对它们的性能进行了对比分析,并构建了基于视频的火焰检测仿真系统,具体研究内容如下:（1）针对火焰颜色、纹理以及形状等机理特征,提出了基于改进集成学习的火焰检测算法。在该算法中,首先采用颜色判据提取图片样本上的火焰疑似区域,再对所得疑似区域进行颜色、纹理、形状方面的机理特征提取;接着,使用支持向量机（Support Vector Machine,SVM）作为子学习机对火焰特征进行分类识别;最后,提出了基于差分进化（Differential Evolution,DE）的改进集成学习方法,对SVM子学习机进行优化集成,从而提高火焰检测算法的精度和泛化能力。实验结果表明基于差分进化的改进集成学习算法要优于传统的支持向量机方法。（2）针对卷积神经网络（Convolutional Neural Networks,CNN）具有较强图像特征提取能力的特点,研究了基于改进深度学习的火焰检测算法。在该算法中,使用SE Block对卷积特征图进行权值重标定,使得对分类任务影响较大的特征图能拥有较大的权值,对分类任务影响较小的特征图拥有较小的权值,从而达到提升算法性能的效果。实验结果表明基于SE Block改进后的火焰检测算法要优于传统CNN的火焰检测算法。（3）针对所提取的机理特征和深度学习特征,进一步研究了基于融合特征的火焰检测算法。算法将样本的机理特征与深度学习特征相结合,构建样本的融合特征,并根据SVM对融合特征的分类完成火焰正负样本的判别。针对融合特征维度较大的问题,采用主成分分析法（Principal components analysis,PCA）对其降维,以降低模型复杂度,减少模型训练时间。实验结果表明,基于融合特征的火焰检测算法要优于前两种算法。（4）基于所提出的基于融合特征的火焰检测算法,开发了基于视频的火焰检测仿真系统。仿真系统通过疑似区域提取与判别,火焰标记及报警等步骤实现视频火焰的检测与定位,基于视频的测试结果表明了所提出算法的有效性。