近年来,由于气温不断上升,昼夜温差不断减小等原因,导致世界各地的森林火灾时有发生。森林火灾破坏了森林的自然价值和社会价值,影响自然生物及其生存环境,同时也给社会经济带来较大的损失。因此,对森林火灾进行监测研究具有极其重要的现实意义。本文基于异常模式进行森林火灾监测研究,利用发生森林火灾时中红外4μm和长波红外11μm附近通道的影像在空间和时间上的像元值、影像均值、影像标准差之间的关系,引入异常模式检测的异常因子算法和阈值法,形成单时向异常模式潜在火点识别和多时相异常模式持续火点识别算法,同时排除云和虚假火点等干扰因素,来提取森林火灾信息。通过利用异常模式算法对森林火灾进行连续观测、灵敏性对比和精度验证得到主要分析和结论如下:（1）在中国森林草原防灭火上获取全国102起无云遮盖的森林火灾的信息,通过对102起发生森林火灾时潜在火点异常因子LOFx07和LOFx74的值进行统计分析,得到其判断阈值分别为0.85和1.6。（2）利用本文基于异常模式的森林火灾监测算法对2020年4月1日22:10发生在云南省永仁县的一场森林火灾进行连续监测。监测结果显示本文算法能够监测到森林火灾从发生到结束的全过程,同时也能反映火势大小、火灾蔓延方向和火灾持续时间等信息。（3）利用2020年11月7日5时6分湖南省醴陵市发生的一场已知的小型森林火灾,用本文算法和前人学者基于时序变化的火点算法进行对比。结果显示时序算法在火灾的五个时刻内仅有两个时刻识别到了森林火灾,且这两个时刻均处于火势较大的火灾中期阶段,而在火灾前期和中后期火势较弱的三个时刻里未能识别到森林火灾。本文算法在火灾发生的五个时刻内都识别到了森林火灾。从而说明本文算法对小火的灵敏性较高,识别的效果更加准确,能够在森林火灾发生初期进行及时识别。（4）以云南省的森林火灾情况为例,利用中国森林草原防灭火网公布的森林火灾数据作为精度验证数据,Himawari-8火点产品数据作为精度验证参考数据,采用对比法,选取早上、白天、傍晚、晚上四个时刻进行精度验证。验证结果的综合评价指标分别为0.75、0.77、0.73、0.80。结果显示森林火灾识别结果整体精度较高,能够为森林火灾应急处置、灭火救援等方面提供重要作用。本文将异常模式应用于森林火灾识别监测中,虽然取得了一定的成效,但是对于异常模式检测还可以进一步研究,例如,在森林火灾监测中,很多算法的阈值都是经验式的,将异常模式检测中的机器学习算法引入到森林火灾监测中来代替原先需要人为先验的阈值判定方法,是一种比较科学的方法。