随着社会经济水平的飞速发展，高大建筑、地下隧道、大型商场等大空间建筑日益增多。这类场所一旦发生火灾，往往会造成重大经济损失和人员伤亡。火灾预警监控系统因此也日渐备受关注。传统的定点式热、烟传感器被广泛的使用，然而却仅限于小型室内空间的使用。在大型会议室或高层建筑中，他们的性能受到传输时延的影响。传统方法只有传感器接近火灾源时才有效。随着机器视觉与图像处理技术的发展，近几年涌现了很多来基于视频的火灾检测技术，这种检测技术比传统定点式技术有显著优势，具有响应速度快、检测范围广、距离远、环境污染小等特点，可以用于大空间建筑的火灾探测，甚至室外环境中。烟雾产生早于火焰，烟雾检测技术可以实现更早的火灾检测。为了提高视频烟雾检测算法的有效性，论文提出了基于烟雾颜色特征和纹理特征的烟检测算法。烟雾的纹理特征描述包括局部对比度信息和空间结构信息。本文使用局部二进制方差(LBPV)的直方图概率分布描述烟雾的对比度特征，使用兼具符号和幅值信息的完整局部二进制模型(CLBP)描述烟雾的空间结构特征。为了获得更有效的辨别完整局部二进制模式(disCLBP)特征，使用了兼顾鲁棒性，辨别性和表示性的3层学习模型，对CLBP原始模式进行学习得到新的模式子集，提高了特征的有效性。融合了disCLBP和LBPV纹理特征描述，在特征分类上取得了更好的实验效果。另外，论文在颜色方面，同时考虑了RGB和HIS空间颜色特征。颜色和纹理特征向量分别通过支持向量训练得到弱分类器，经Adaboost算法升级生成一个强分类器进行最终判定。实验结果表明，论文提出的算法在大空间场景中性能优异，具有更低的误报率、更好的可靠性。视频烟探测技术的研究仍处于发展阶段，在计算机视觉和模式识别领域仍具有很大的挑战性。本文对火灾烟雾探测技术的研究为今后更广泛的应用提供了理论依据和技术支撑。