长期以来，森林火灾检测一直都是世界范围内的一个重要研究课题，对于保护地球环境及人类安全都有着重要意义。相对于传统的传感式火灾探测器，基于智能视频分析的火灾监测技术具有更大的优势。它不仅可以在大空间、多粉尘、高湿度的环境中使用，而且可以提供直观的、丰富的火灾信息，对于森林这样的复杂大空间场景尤为适用。这种基于视频监控的火灾检测技术已经成为主流的研究方向。本文针对现有的火灾监控算法，分析了不同算法各个环节的优点和不足，构建了一套基于视频的火灾智能检测算法，大大提高了火灾检测的有效性。　　本文分别详细研究了从摄像机中获得的火焰视频图像的静态和动态特征。首先通过分析火焰的各种静态特征，选取最有效的颜色特征信息作为初始检测特征。从实时高效的角度出发，本文提出一种基于RGB空间的火焰颜色提取算法，并针对遗漏的火焰点，应用了目标重建的方法。通过颜色特征提取后，初始候选火焰区域被分割了出来。　　为了提高火焰检测的准确性，必须要把动态特征与静态特征信息融合到一起考虑。传统的动态特征分析侧重于分别提取火焰的面积变化、质心变化、圆度和尖角个数变化等信息，以及利用一些分类方法（例如BP神经网络、SVM等）来检测是否存在火灾。这种方法一般计算复杂度都很高，不利于实时视频监测。为了降低复杂度，本文提出了一种基于动态纹理特征分析的图像型火灾检测算法，即综合利用线性动力系统及动态纹理识别方法来检测火灾。通过对由CCD摄像机拍摄的视频图像，建立线性动力系统模型，分析其动态纹理特征，最后利用Adaboost分类器判断火灾是否存在。　　在对不同环境中（尤其是大范围大空间场合，例如森林）的大量视频进行实验测试后，实验结果表明，本文提出火灾检测算法能够去除由静态特征分析产生的非火焰干扰物，可达到95％的检测准确率，并且在一定程度上比其他动态特征分析方法效率要高。该方法可以在森林等大空间复杂环境下使用，具有较好的应用前景。这种基于视频图像分析的检测方法能够及时给出火灾蔓延状况，为灭火和火灾事故分析提供了有利条件。