由于烟雾检测比火焰检测提供了更早的火灾预警,因此烟雾检测被广泛应用于现代智能火灾监控系统。然而实际生活中,火灾发生的场景复杂,由此产生的烟雾图像背景也是复杂多变。同时火灾初期的烟雾可能较小,难以实现及时有效的识别。因此如何实现高速准确的烟雾检测一直是一个具有挑战性的难题。近年来,由于使用深度卷积神经网络来进行烟雾检测能获得超越传统算法的精度和效率,因此出现了越来越多基于深度学习的方法。尽管这些方法在准确率上都获得了一定的提升,但是大部分的算法依然存在误报与漏报较高、计算速度缓慢等问题。同时基于深度学习的烟雾检测需要大量的数据来进行模型的训练才能获得较好的效果,因此如何获取充足的烟雾数据来进行训练也是烟雾检测领域急需解决的难题。针对以上问题,论文基于自制烟雾数据集SMOKE对烟雾检测算法进行了优化。论文首先从网络结构的角度进行探索研究,提出了一种基于Inception-Res Net-v2进行简化的改进卷积神经网络CInception,该网络在简化原网络结构的同时,添加结合通道注意力模块和空间注意力模块的CBAM,并对其进行优化,以提高烟雾检测算法的性能。论文使用该算法基于自制烟雾数据集SMOKE进行训练,最终准确率达到了90.87%,检测率达到了89.35%,误报率降低到了0.17%,检测速度仅为1.8ms。与其他检测算法相比,该算法在降低误报率的同时,还实现了准确率、检测率以及速度的提升。为进一步提高烟雾检测算法的性能,论文对原始烟雾数据集提取LBP纹理特征,并采用Two-stream双流卷积网络架构设计思想,结合不同的融合策略及融合函数进行LBP纹理特征与RGB特征融合实验,最终通过一系列实验证明了特征融合能有效提高烟雾检测算法的性能。随后为了进一步提升烟雾图像的检测率和降低误报率,对损失函数的权重进行了调整。最终模型检测率提升到了91.15%,准确率提升到了92.07%,误报率下降到了0.11%。为解决深度卷积神经网络中烟雾训练数据不足的问题,论文使用多种有监督的基础数据增强方法以及无监督的生成对抗网络的方法扩充烟雾数据集,并使用原数据集和扩充后的数据集进行各种对比实验,最终将特征融合模型的准确率提升到了92.97%。实验结果充分证明了数据扩充能有效提升烟雾检测模型的性能,同时也证明了使用生成对抗网络方法进行数据仿真的可行性。