秸秆燃烧产生的气体会造成空气污染、危害人体健康,秸秆燃烧容易引燃周围的可燃物,引发深林火灾,造成巨大的生命财产损失。对秸秆燃烧产生的烟雾进行检测是监控秸秆燃烧的有效手段之一。传统的烟雾检测方法难以满足复杂场景下的检测需求,现有的神经网络烟雾检测方法在进行烟雾检测时容易对云、雾、湖面等类烟物体产生误报。因此,如何降低烟雾检测模型的误报率,成为一个亟待解决的问题。本文对基于语义分割区域光流增强的烟雾识别算法进行研究,根据图像的模糊程度过滤易产生误报模糊图像,根据烟雾的光流信息过滤易产生误报的静态类烟背景对象,本文的主要工作如下:（1）提出了一种基于模糊图像过滤的烟雾图像检测方法,通过对图像进行模糊度评价和给定的阈值对低质量的模糊图像进行过滤,以降低模型误报率。同时对几种主流的模糊度评价方法进行了实验对比,对区分模糊图像与清晰图像的阈值进行了分析。实验结果表明相比于直接进行烟雾图像检测,本文的方法准确率提升了10%,召回率提升了4%。（2）提出了一种基于语义分割区域光流增强的烟雾识别算法,使用目标检测模型和语义分割模型对烟雾区域进行定位和分割,对烟雾区域进行光流计算和光流统计得到区域中的光流特征,使用SVM对区域光流特征进行分类,过滤掉误报的静态背景对象。同时提出了一种改进的Deep Lab V3+网络用于烟雾分割,使用特征融合金字塔模块将浅层特征逐层与深层特征融合,提升了输出特征的表示能力,使网络捕捉到更多的浅层网络中的位置信息,使用全采样空洞卷积抑制空洞卷积的稀疏采样造成相邻特征点的语义差异。实验结果表明,改进的Deep Lab V3+语义分割可以更好的定位烟雾的分割边界,并能得到更加精细化的边界分割结果,在三个测试集上的准确率分别提升了0.88%、1.42%、1.51%。本文提出的基于语义分割区域光流增强的烟雾识别算法可以有效解决对静态类烟背景对象的误报问题,在烟雾视频数据集上的烟雾检测准确率（ACC）提升了5.75%,误报率（FPR）降低了12.62%。