视频烟雾检测技术因其响应速度快、不易受环境因素影响等优势,所以被广泛应用,为早期火灾预警提供有效保障。传统的视频烟雾检测方法主要通过提取烟雾的图像特征,采用机器学习的方法分类识别烟雾,检测准确率虽有提高,但仍存在高误报率和高漏报率等问题。运用卷积神经网络识别图像可以自动从图像数据中学习特征,更好的刻画图像的本质信息,有利于分类识别。针对传统检测方法和二维卷积神经网络只能提取图像的空间信息而导致误报与漏报的问题,本文提出了一种基于三维卷积神经网络的3D残差密集网络检测视频烟雾的方法。基于3D残差密集网络检测视频烟雾的方法,主要处理的是连续帧的视频图像,本文综合运用分块运动检测和烟雾运动方向检测疑似烟雾,快速滤掉大部分非烟区域,降低了烟雾检测的计算量,提高了后续检测的精度。同时,将残差模块Residual Block和Dense Block进行整合,形成了Residual Dense Block(RDB),并将其拓展到3D Residual Dense Block,以提取烟雾的时空特征,并使用公开的数据集进行算法性能的验证,并与目前较主流的检测方法进行比较。实验证明本文方法在检测准确率上明显提高,误检率与漏检率也有所降低。