森林是重要的生态资源,而火灾会对森林造成严重的威胁。因此当火灾发生时,能够及时勘测到火源极为重要,这样能使损失降到最低。传统的基于传感器式的火灾探测方法,在复杂环境、大空间等条件下,精确度和实时性方面都有欠缺,而依据图像处理进行的非接触式火灾探测技术能有效的改善这些不足。鉴于此,本文主要研究基于改进模糊支持向量机的火灾区域提取和识别方法。论文对模糊支持向量机理论进行了研究,模糊支持向量机以机器学习理论为理论支撑,并且是在支持向量机的基础上加入模糊性,可以降低噪声数据或者是异常样本对正常样本的影响,从而得到更好的分类超平面。本文采用类超球体最小半径方法,这样取得的样本中心更符合分布规律。并对模糊隶属度进行了改进,当训练样本接近类中心样本时,为正常样本,其隶属度较大；远离类中心样本的训练样本,成为噪声的可能性也越大,隶属度越小,这样可以有效排除噪声样本的干扰。另外,本文基于模糊支持向量机对火灾区域进行提取,把火灾和非火灾样本的颜色、灰度平均值、标准差、相关系数作为样本的特征值,用基于改进的模糊支持向量机进行学习训练,从而得到最优分类超平面。然后,本文将提取新图片中与上述特征相同的特征值,并用得到的分类超平面进行分类。该实验结果表明,此方法可以很好地对火灾区域进行提取,对研究火灾特性有帮助。在火灾识别方面,本文将样本图片分为火灾样本图片和非火灾样本图片,并提取这些图片中的彩色特征、纹理特征、小波特征,再用改进的模糊支持向量机对这些特征进行训练,从而得到火灾与非火灾的分类超平面。在新图片中提取与上述相同的特征,并把这些特征代入分类超平面,将新图片进行分类,得到的准确率为98%。