世界各地每年都会发生很多森林火灾,森林火灾不光会带来巨大的经济损失,还会严重威胁我们的生态系统。一旦森林着火,由于地形和气候的原因,很难扑灭它。因此及早发现森林大火很重要。近年来,视频监控已经成为我国最为广泛的监视工具,它在执法、安全和生态环境等领域中被广泛使用。基于监控视频的火灾烟雾检测成本低,效率高,覆盖范围广,还可以及早发现火灾。由于基于图像和视频方法的智能性、实时性和准确性,所以受到越来越多研究者的重视。本文针对野外烟雾目标检测,使用传统与深度融合的方法以及语义分割来进行烟雾检测,主要工作如下:(1)本文首先对视频帧进行滤波处理;然后使用颜色空间和运动检测对烟雾区域进行预处理,分别提取视频中烟雾的色彩特征和运动特征;最后分别使用SVM和深度网络对融合特征进行分类。其中对比了两种运动检测算法和两种颜色空间在烟雾检测中的效果,通过不同组合得到一个相对较好的检测效果。但是由于网络较浅,在处理高清图片时学习能力不够;预处理偏多,相比端到端的网络,人为干扰因素过多,步骤繁多,不够简洁,一定程度上也会影响准确率。(2)针对传统与深度结合算法中人为因素的干扰,本文提出一个端到端的语义分割网络,模型小参数少,但网络学习能力强,且不需要任何预处理和后端处理。在本文实验中,对比了三个语义分割中经典且先进的网路。本文提出的网络在烟雾检测上更为先进,效果更好,但是基于图像语义分割的烟雾检测会忽略掉烟雾的运动信息,进而会影响检测的准确率和误检率,因此该方法仍有缺陷。(3)考虑以上方法存在的不足,本文使用三维卷积神经网络来检测视频中的烟雾,我们提出了一种更有效的3D神经网络架构,用于野火烟雾场景中的视频语义分割。该模型使用了基于ResNet的编码器解码器结构。在编码器阶段,我们使用3D残差块提取烟雾的时空特征。解码器对编码器的输出进行连续三次上采样。然后分别传递给三个烟雾图预测模块,并通过二值图像标签对输出的烟雾预测图进行监督,最后通过特征图融合获得最终的预测。该模型可以实现端到端和像素到像素的训练,而无需从头开始进行预训练。有效克服了二维卷积神经网络无法检测运动信息且不需要预处理,人工干预少。实验证明该方法比以上方法更加有效,但在检测运动缓慢、距离远的小目标时仍存在不足。