高层建筑火灾具有传播速度快、灭火和营救都比较困难等特点,因此其有效防范及早期预测十分重要。针对传统火灾探测技术存在的不稳定、误判率高等缺点,本文着重分析了室内火灾图像与常见干扰光源图像的特点,并在此基础上研究了火焰图像采集、去噪、分割、边缘提取的算法,提出用火焰区域面积变化、质心位置、尖角数、圆形度等信息作为火灾判据,并用模糊神经网络对以上特征参数进行数据融合,作出火灾判断。本文采集了大量火灾试验图片和常见干扰光源的图片用于实验分析;通过对不同的图像的分析,确定对动态图像序列采用差影法获取可疑火焰区域图像;用中值滤波法去除图像噪声;用基于灰度直方图的中间阈值法进行图像分割,并在此基础上将图像二值化。以相邻帧图像中可疑火焰区域的面积变化、质心位置随机性变化以及单幅图像中可疑火焰区域的尖角数和圆形度等形态特征对火灾进行判别。在彩色图像分割算法的研究中,本文分析研究了现有的图像分割方法,针对最大类间方差法(Otsu法)易受图像直方图形状的限制以及分割效果不稳定等问题,提出了一种火焰图像分割的综合方法:利用HSI颜色空间参数对火焰图像建立彩色空间模型,根据火焰图像的S(饱和度)、H (颜色)等特征参数对图像进行预处理以确定火焰疑似区域,再用最大类间方差法进行阈值分割。通过实例仿真得到了轮廓清晰的分割图像。试验结果表明,该方法能够弥补最大类间方差法的局限性,扩展该方法的适用范围。最后,论文给出了模糊神经网络的具体结构和输入输出单元的设计方案,并使用大量的火灾图像样本和干扰模式的图像进行了验证。试验结果表明,基于模糊神经网络的信息融合算法能够有效地识别出火灾火焰,并且具有良好的抗干扰能力。