随着光伏产业的蓬勃发展，光伏电站的运维显得愈加重要。由于组件损坏、热斑等因素，光伏电站火灾时有发生，基于视频监控的光伏电站火灾检测系统的研究势在必行。本文以火灾视频图像为研究对象，研究了几种不同的火灾检测方法，来降低火灾检测的漏检率和误检率。
　　论文先讨论了本课题的研究背景及意义，分别从传统图像分割、传统机器学习和深度学习三个方面对火灾检测方法进行综述，分析了已有方法的局限性。然后，针对这些局限性以及光伏电站场景，提出三种不同的火灾检测方法。最后，设计并实现了火灾检测的硬件系统和软件系统，并将几种火灾检测算法集成到软件系统里。
　　针对视频图像预处理，首先对传统的图像修复算法Criminisi进行改进，提高了修复的准确性与完整性；然后针对视频图像出现的噪声，分别讨论了均值滤波、中值滤波和高斯滤波三种滤波方法，表明了中值滤波对椒盐噪声的有效性；最后为了提高视频图像的分辨率并改善清晰度，提出了基于融合插值和空间域的图像增强算法。
　　针对基于传统图像分割的光伏电站火灾检测方法，首先对运动前景进行分割，主要使用ViBe算法，并对ViBe算法进行两个方面的改进：去除动态阴影和补全运动区域的缺失。然后分别根据烟雾的颜色特征和扩散特征、火焰的颜色特征和闪烁特征，对烟雾和火焰进一步分割，从而实现对火灾的检测。最后，通过像素统计的方法，对火焰的面积进行估测，来衡量火灾的严重性。
　　针对基于动静态特征融合的光伏电站火灾检测方法，首先提取烟雾的静态特征，包括颜色特征、HOG特征和静态纹理特征。在传统LBP算子的基础上，提出结合拉普拉斯变换的LBP算子，降低了静态纹理特征向量的维度。然后，考虑烟雾的动态特性，提出了基于空间向量的三维LBP算子，与二维LBP算子相比，充分利用了运动烟雾的时间轴信息。针对多种特征维度较高，利用局部线性嵌入（LLE）算法实现特征降维，并对这几个特征进行融合，最后使用SVM进行分类。
　　针对基于深度学习的光伏电站烟雾和火焰联合检测方法，首先收集并制作了运用于光伏电站场景的火灾检测的数据集，分为烟雾、火焰和背景三个类别。然后，使用深度学习的方法抑制光伏电站场景中存在的复杂干扰问题，比如雾霾影响。最后，对原始的Faster RCNN结构进行改进，以适用于烟雾和火焰联合检测，并提高检测率。