火灾是人类社会中最常见的严重灾害之一，特别是大空间建筑火灾、矿井火灾、森林火灾、隧道火灾等事故给人类造成严重的生命和财产损失。因此为了最大程度的降低火灾所造成的危害，加强对火灾的实时监控与预报是尤为重要的。传统的感温、感烟式探测方法在复杂环境下往往效果不理想，而图像型火灾探测有着非接触式探测的特点，使该项技术能够成为在大空间建筑、森林、隧道等大空间和野外进行火灾探测的有效方法。本文在对火灾特性研究的基础上，将多种火灾特征信息融合，构造出以神经网络为基础的火灾图像识别系统，并通过对早期火灾烟雾识别来进行火灾早期预报。本文系统地论述了火灾的物理特征以及传统火灾探测技术的一些不足，介绍了目前新型火灾探测技术，在这个基础上分析了图像型火灾探测技术的优势与特点。详细的研究了差分图像法探测动态目标、图像增强、图像阈值分割及边缘检测算法在火灾图像处理上的应用。在传统Otsu阈值分割算法的基础上，提出了基于蚁群算法和数学形态学改进的Otsu阈值分割算法，蚁群算法是受真实蚂蚁的群体合作行为启发而提出的一种随机搜索算法，很大程度上减少了传统Otsu算法的阈值搜索次数，并通过数学形态学算子对二值化阈值分割图像进行滤波处理。算法能够有效提高图像分割效率，改善分割结果，尤其针对图像型火灾探测这种大规模图像处理系统，能极大的节省系统开销。研究并提取出火灾火焰和其它一些干扰源的颜色特征、形态特征、面积和质心的变化特征作为火灾识别判据，在此基础上，又测得图像的灰度共生矩阵，提取出能量、熵、惯性矩和局部平稳性四个特征向量作为识别判据，并分析这些特征量的发展规律，选取部分特征量作为神经网络的输入向量。在神经网络识别火灾的基础上，提出将遗传算法和BP神经网络相结合的火灾图像识别方法。最后将提取出的火灾图像特征信息作为神经网络的输入信号训练神经网络，并使用一系列的火灾图像以及一些干扰源图像样本进行实验，实验结果表明利用该神经网络能快速有效的识别出火灾图像，并有较强的抗干扰能力。全面的分析早期火灾烟雾特性，并使用基于形态学重建标记的分水岭分割算法实现对烟雾图像分割，再对早期火灾烟雾和白云等干扰源图像序列进行相似度特征分析，并对经小波分解后的烟雾图像进行熵特征研究。实验表明：该算法有效的区分出早期火灾烟雾与其它干扰源，并且早期火灾烟雾图像的识别能够起到良好的火灾预报作用。