火灾是容易发生且具有严重破坏性的灾害,对人类的财产和生命安全都造成重大的威胁。及时准确地发现着火点并实现烟火预警,对维护正常的生产生活秩序具有重要意义。传统的烟火检测算法存在着设计复杂,计算速度慢,容易产生误检和漏检的问题。近年来,深度学习的方法被应用到计算机视觉领域中,并取得了显著的效果。为提高视频图像中烟火目标检测效果,将深度学习的技术应用于烟火目标检测问题并展开研究,具体研究内容如下:首先,对基于SSD的烟火检测算法展开研究。SSD算法模型采用多尺度特征预测的思想,能够对多种尺寸目标进行检测。将SSD算法模型应用于烟火检测任务中,构建基于真实场景的烟火数据集,并使用颜色空间模型转换结合直方图均衡算法对数据集中的图像进行照度归一化处理,实现烟火数据特征标准化,提高模型训练效率。经过实验测试发现,SSD算法对烟火目标具有较好的检测效果,但也存在一些不足。随后,针对SSD算法中的对于小尺寸烟火目标检测效果差,容易产生误检漏检的问题,提出了一种基于改进型SSD的烟火检测算法。利用DenseNet网络作为SSD的基础网络,提高其对小目标的检测能力。其次,为了改进SSD中的正负样本不平衡的问题在损失函数中引入Focal loss函数,通过提高难分样本在损失函数中的权重,提高算法的鲁棒性。在仿真实验中,通过构建烟火数据集对改进的SSD模型进行训练。实验结果表明,相比现阶段主流的几种烟火目标检测算法,该算法在兼顾检测速度的同时提高了对小尺寸烟火目标的检测效果。最后,为实现更好的视频烟火目标检测效果,设计并实现了一种基于视频的烟火目标检测系统。该系统通过视频图像处理模块,单帧烟火图像检测模块和连续视频帧修正模块实现对视频中烟火目标的检测。使用多种场景视频对系统进行测试,发现该系统具有良好的烟火目标检测效果,能够满足工业应用场景烟火检测的需求。