随着社会的发展和人们生活节奏的加快,摄像头已经大量的在各个地方安置,对于消防安全问题也格外重视,而大量的摄像头如需人工监控则并不现实。因此火灾发生时的自动检测与识别显得尤为重要,基于视频图像来自动进行火灾的识别与检测变得非常有意义和价值。传统的计算机视觉方法针对这种视频图像的处理判别已经有了十分可观的成果但是仍有不足。近年来机器学习特别是神经网络带来的新兴技术能够对这种基于视频的自动检测带来了很大的技术革新。本文针对火灾视频中复杂背景环境下火焰识别问题,提出了一种基于迁移学习的火焰图像智能识别方法。采用以深度学习预训练的模型为基础并经过迁移学习作为特征提取器提出特征,而后进行特征融合并结合传统机器学习分类器方法进行识别的流程。使用fine-tuning,stacking方法提升了识别的鲁棒性与AUC。并针对火灾实时视频处理,提出使用改进YOLOV3目标检测算法来实现实时的视频中火焰的检测,最后在实验中对比了与传统计算机视觉方法实现火焰识别的效果。实验结果显示了本文提出的基于迁移学习的方法识别火焰图像上具有更好的准确率与AUC。在火灾视频中的火焰实时监测,提出的使用改进的YOLOV3火焰识别,改进了初始的anchors框,训练中时也运用了技巧,如改变开始的输入尺寸,改变开始训练的种类,最终再改回只识别火焰。最终算法漏检率与定位的准确率取得了较好的效果,也有更好的火焰检测鲁棒性。且实现了每秒超过50帧的检测速率,达到了实时检测分析的要求。