森林资源是人类宝贵的财富,它维持着生态系统的平衡,一旦发生森林火灾,对森林资源造成巨大的危害。所以防止发生森林火灾具有重要意义。传统的森林火灾识别算法是基于传感器的,其受环境影响较大,不适用于开阔区域。基于图像型的森林火灾识别算法大多依赖于人工提取的特征,特征的选取依赖研究人员的经验,深度学习将大量样本作为输入,并自动利用多层神经节点的特征,进而得到具有更好泛化能力的模型。因此,本文提出了基于卷积神经网络的森林火灾识别算法,本文的主要内容如下:1、总结了国内外现有的森林火灾识别方法,主要包含基于传感器的森林火灾识别算法、基于传统的手工特征的图像处理的森林火灾识别算法、基于深度神经网络的图像处理的森林火灾识别算法。并分析以上方法的优缺点。2、针对森林火灾图像样本缺乏、传统基于图像型的森林火灾识别方法的泛化性差等问题,本文提出了一种在复杂背景下基于卷积特征融合的森林火灾识别方法。该方法包括两部分:基于图像风格迁移领域的CycleGAN技术扩充森林火灾样本、基于卷积特征融合的森林火灾识别。在第一部分,针对森林火灾图像样本缺乏问题,运用基于图像风格迁移领域的CycleGAN技术生成复杂背景下的森林火灾图像,扩充森林火灾样本。在第二部分,首先对森林火灾图像进行预处理,然后再利用深度神经网络对其进行特征学习将深层与浅层的卷积特征进行融合,最后进行森林火灾识别。实验结果表明,该方法能达到较好的识别效果。3、针对森林烟雾形状模糊、颜色相对于背景不明显、外观特性多样等问题,提出了一种改进的多尺度卷积神经网络（Improved Multi-Scale Convolutional Neural Network,IMSCNN）,首先设计了卷积神经网络（Convolutional Neural Network,CNN）的一种基本块,基本块由几个并行卷积层组成,这些层具有相同数量的卷积核,它们的卷积核大小不同,每个卷积层后面都有一个批处理规范化来规范化卷积层的输出。其次,对规范化卷积层的输出进行求和,并将求和后的结果进行激活。最后,使用快捷连接来融合不同尺寸基本块的特征图,从较大基本块的特征图中获取丢失的细节信息,提高特征的表征能力。为了压缩识别模型的大小,提升算法的识别速度,将基本块中的大卷积核分解为多个小卷积核,并进一步采用了非对称分解技术。实验证明,与现有方法相比,该方法取得了较好的烟雾识别效果。