森林火灾破坏性极强,不仅造成巨大的经济损失,影响生态环境,还会严重威胁人类生命安全。近年来,全球气候的频繁变化更是加剧了林火灾害发生的频率和危害。因此,世界各国都不惜投入重金研制森林火灾监测系统,其中可见光监测系统应用最为广泛。应急管理部数据显示,2010年—2019年,已查明起因的森林火灾中,由人为原因引发的占97%以上。然而,就目前的监测系统而言,主要困境仍集中在对“火”的识别上,造成识别困难的原因有以下几个方面:1)研究目标的不确定性,表现在火焰的颜色和形状不确定、复杂多变的森林场景、火焰目标与非火焰目标的严重不对等等;2)研究方法上,就目前的研究成果,多数仍将林火识别问题等同于二分类问题,而忽略了学习方法的前提条件,如独立同分布等;3)缺乏公平标准的林火数据库,特别是有准确类别标记的数据,而标注工作本身不仅费时费力且工作量巨大。为解决或缓解以上困境,本文从机器学习角度出发,完成了以下工作:1.对现有工作主要集中在颜色空间选择上,本文在RGB、YCb Cr、HSV、HSI颜色空间上探讨了林火像素的可分离性,即在标记好的几张林火图像上,采用三种经典的分类器（线性或非线性）,对比火焰像素和非火像素的分类精度,为避免分类器的欠学习或过学习问题,实验从像素和图像分块两个方面展开,获得的结论为:1)RGB和YCb Cr空间上的可分离性是等价的;2)尽管RGB与HSV或HSI空间变换是非线性的,理论上无法知晓可分离性变化情况,但实验的经验结果是:RGB空间上分类精度是高于HSV和HSI空间的,因此建议直接在RGB空间上开展研究。2.在问题1的研究过程中,为获得ground-truth十分困难。为克服这一问题,本文提出了直接在RGB空间上的一种像素级的自动图像标注算法,即基于KD-树的KNN标注方法,以期实现对林火图像或视频的自动标注。具体如下:1)突破了经验的视林火问题为两分类常规思路,拟采用多分类方法进行分类器设计;2)缓解类似于独立同分布条件的限制,采用分布自由（distribution-free）的KNN设计分类器;3)考虑到类别个数选择的主观性问题,算法采用交互式设计,类别个数选择由用户决定;且尽可能避免因训练集变化造成分类器的重复训练问题,采用KD-树存储训练样本;4)为方便选定兴趣区域内部像素,拓宽了经验的边界框法（多采用矩形框）,提出了基于凸壳的快速选择算法。对比已有规则法或二分类方法,分析和实验均验证了,本文的方法具有高的火焰检测率（high fire detection rate）和低的误报警率（low false warning rate）,可作为林火图像的ground truth使用。3.为缓解“逐像素”（pixel-by-pixel）扫描方式造成的识别速度缓慢问题,本文提出了一种逐像素块（block-by-block）快速检测方法,即采用超像素分割方法,如SLIC（Simple Linear Iterative Cluster）对图像进行分块,然后将分块等效图像像素,如此块模式（blockpattern）的样本容量,较之像素-向量模式（pixel-vector-pattern）的样本,可大幅缩减。文中块的代表点选取了块的均值、中值及它们的组合值,实验表明组合值表现最佳。该算法在取得理想火焰检测率的前提下,在实时性上表现突出,满足了林火监测的实时性要求。