近些年来森林火灾频繁发生。因此,对森林防火技术的研究是十分必要的。目前,在森林防火领域计算机视觉与人工智能技术的应用还处于初步阶段。本文对LBP算法、深度学习方法、以及基于对抗的迁移学习方法进行改进与创新,详细内容如下:提出了基于局部二值模式(LBP)的改进方法。具体是采用LBP算法提取林火烟雾样本图像的LBP特征,再用训练样本的图像特征构建特征字典。获得测试样本在特征字典上的重构误差,将其与设定的阈值的进行比较,当重构误差小于等于阈值时判别为森林火灾烟雾图像。为了检验特征字典的样本数对识别能力的影响,设置实验检测在不同的样本数量时的识别率变化。最后进行对照实验并设置VGGNet、ResNet为对照组。本章所提出的方法在识别率上分别高出对照组6.11个和5.61个百分点。由以上实验可知训练样本数量对识别精度有着一定的影响,但样本数到达一定数量级时,对精度的影响会逐渐减弱。另外在较少样本的前提下与主流的深度学习网络相比,在检测精度与检测速度上都有明显的提升。提出了一种基于三维残差稠密网络的林火烟雾识别方法。该方法是在参考三维卷积神经网络的基础上改进得到的。并且相较于传统的三维神经网络,本模型的各个卷积层之间采用了稠密连接的方式进行连接,以提高各模块间的数据传输能力。并且还对模型参数进行了相应的改进。为了检验模型在林火烟雾识别上的表现,选取C3D、3D-ResNet作为对照组进行对照实验,并用准确率和漏检率作为判别依据。相较于其他两种方法准确率分别高出了1和2个百分点。实验结果表明该模型在不同的森林环境下都有较好的表现,改进模型在对样本特征信息的提取上有了较大的提升。提出了基于域协作和域对抗的迁移学习方法。该方法是将深度网络每几层作为一个模块,在每个模块上加上一层判别器。并且在每个模块上定义一个损失函数。而这个模型的进本思想是,在高层的模块上通过对抗性学习使得判别器无法分清源域和目标域。在低层的模块上使源域目标域尽可能相似,从而让目标域可以很好的学习到源域的边缘信息。通过这样的方法对模型进行训练。最后分别在数据集MIVIA和CIFAR-10上以VGG-16、ResNet、ResNet迁移学习作为对照组进行对照实验,在MIVIA数据集上相较于其他方法准确率分别提高了3.38、2.91和2.26个百分点。在CIFAR-10数据上相较于其他方法准确率分别提高了4.63、4.3、1.64个百分点。证明该方法确实提高了林火烟雾图像的检测对真实准确率。本文方法在两个数据集上分别对模型进行了检测并本文的研究目标是提高林火烟雾检测速度、检测精度还有避免由于数据不足造成的过拟合问题。分别针对不同的问题提出了三种方法,并且经过实验验证其有效性和可行性。