森林火灾是一种世界性的自然灾害，国内外学者从来没有停止过对森林火灾自动探测技术的研究。基于视频图像的森林火灾探测技术克服了传统基于传感器的火灾探测技术易受外界环境影响、探测精度不高、难以适应复杂环境的不足，具有检测效果直观、探测精度高、能适应复杂环境的优点，是一种有效的火灾探测技术。本文使用视频图像处理技术、数学形态学方法、模式识别技术和人工智能技术，在深入的研究了森林火灾火焰的颜色特征、形状特征、纹理特征和动态特征后，提出了一套有效的森林火灾火焰检测方法。本文的主要研究工作如下：1）针对原始RGB-HSI颜色模型在背景物体较亮的情况下，无法准确分割出前景目标的不足，提出了一种改进的基于颜色模型的图像分割算法。该算法引入了新的约束条件和数学形态学的图像处理技术对原始算法进行了改进。实验证明，改进后的图像分割算法分割出的前景目标区域准确，能有效的排除较亮背景的干扰，具有很强的实用性。2）针对森林火灾火焰的颜色特征、形体特征、纹理特征和动态特征，分别提出了有效的特征提取算法。综合多种特征对视频图像中的疑似火焰区域进行判定，比使用单一的特征判定准确度更高。3）针对标准粒子群算法易陷入局部最优，求解精度不高的不足，通过改进惯性权重，并引入人工免疫算法、遗传算法，提出了一种改进的混合粒子群算法。原始BP神经网络算法对初始权值和偏倚值敏感，但初值却无法准确获得，论文使用改进的混合粒子群算法对BP神经网络的初值进行了优化。改进后的BP神经网络能在较好的初值上进行运算，有效的增强了算法的稳定性、提高了算法的收敛速度和收敛精度。4）使用基于混合粒子群算法优化的BP神经网络将从视频图像前景目标区域中提取的不同特征值进行融合并对该区域是否为火灾火焰做出决策。实验证明，混合粒子群算法优化的BP神经网络比原始BP神经网络收敛速度更快、收敛精度更高并且算法性能稳定，能有效的识别出森林火灾火焰。论文提出的改进的图像分割算法能有效的分割出视频图像中的前景目标，通过修改约束条件的参数就能适用于更多的使用环境，有较强的实用性。并且论文将基于混合粒子群优化的BP神经网络算法成功应用到了对森林火灾火焰的识别中，使用该算法融合从视频图像中提取的多种特征对火灾火焰进行识别，比使用原始BP算法识别准确率更高，是一种有效的森林火灾探测方法。