对于林木较多的山区,预防森林火灾极其必要。由于区域的广阔性与复杂性,传统烟雾传感器以及温度传感器进行火灾示警效率较低。而计算机视觉技术的发展为解决这一问题提供了新的思路。本文设计并开发了一套基于YOLOv5s的远距离场景下的森林火灾早期预警系统。该系统将火灾早期的烟雾作为火灾示警的突破口,使用多种扫描策略拍摄五公里内的图像,同时着力于使用深度学习解决远距离图像烟雾特征不清晰等问题。本文主要工作包括以下三个方面:一、监控场景距离远、范围大,可用数据较少。针对这一问题,本文使用物理软件模拟烟雾可能在现实中存在的几类状态,总共生成三大类742张烟雾数据,然后与现实场景图片进行合成以扩充数据集。为了使合成数据与真实烟雾数据更加相似,使用掩码合成的方法优化合成数据。二、针对远距离烟雾目标的检测问题,使用目标检测模型YOLOv5s对烟雾目标进行检测。针对YOLOv5s误检概率高的问题,结合Inception结构和Spatial Attention模块设计了一款轻量化的辅助网络Inception With Spacial Attention Network（IWSAN）降低模型的误检率。此外本文使用基于暗通道去雾的方法对整个网络模型进行优化,解决了因云雾导致的模型精度下降的问题,使得系统能够适应各种复杂环境下的烟雾目标检测。三、设计并开发了一款轻量、便捷、实用的远距离森林火灾预警系统用于实时监控五公里以内的山区场景,使用不同的摄像机扫描策略提升系统的速度与可靠性,配有远程通信以及系统自检功能可实现远距离操控,降低维护频率,在检测到火灾险情时同时向手机和控制中心报警。同时,该系统的实现为数据集的制作提供了一定的帮助。