火灾发生时烟气流动和温度分布的预测是指导应急救援以及火灾分析的关键。由于热释放速率、通风速率等输入参数的不确定性以及模型本身的预测误差,现有的火灾预测模型难以提供可靠准确的预测结果。CFAST是一个在建筑和消防领域高度认可的火灾预测模型。尽管许多学者对其进行改进,但改进算法中仍存在一些缺陷,如:实验场景较为简单,观测数据是在模拟系统中产生,预测步长较短等。针对现有的火灾烟气流动与温度分布预测工作繁琐、预测准确度低的现状,提出基于CFAST的火灾烟气流动与温度分布预测模型,使用深度学习方法对火灾烟气流动与温度分布的时间序列数据进行训练与预测,同时提取火灾时间序列的趋势特征进一步提高预测的准确性,另外将改进的数据同化方法与深度学习方法相结合对预测模型进行动态调整。由此本文主要包括以下工作:（1）不同于数据同化方法依赖于数据的实时同步和矫正,本文使用深度神经网络LSTM从火灾的历史数据中学习其潜在的知识和规律,并通过神经网络来表达和保存,从整体上提升了预测的准确率与效率。为了满足神经网络训练的数据量要求,通过融合多个场景的火灾数据集以及设计网络的输入输出进行预测模型的建立。（2）为了进一步提高预测效果,设计了LSTM-TFV算法。分析火灾时间序列的趋势特性,设计算法从火灾时间序列中提取趋势特征,将这些特征作为先验知识来优化深度神经网络的预测性能。（3）将深度神经网络与改进的数据同化方法结合来提高火灾预测模型预测的应变性与准确性,提出了EnLSTM-TFV算法。使用改进的数据同化方法来融合观测值与预测值。与传统的数据同化的逐步校正不同,本文算法中时间序列只选择相隔一定步长的时间点进行数据同化,其它时段通过它的趋势特征来更新卡尔曼增益,进而矫正预测序列。本研究对揭示火灾发生、发展具有重要的意义,为火灾扑救和火灾人员疏散提供辅助信息。实验结果表明,论文提出的预测算法提高了火灾烟气流动与温度分布预测的准确度,实现了高效而方便的火灾时间序列数据预测。