森林火灾是一种破坏性大、突发性强、易扩散、扑灭难度大的自然灾害,其对生态系统以及人类会带来极大的危害和损失。林火检测技术有助于尽早检测到森林火灾,以便尽快采取相关扑救措施,把林火造成的损失降到最低。因此,林火检测技术的研究具有重要的实际应用价值。基于视频图像的林火检测具有监控范围大、检测精度高、数据易保存等优点,是一种更合理更低成本的方案。基于视频图像的林火检测可分为基于传统机器学习的林火检测和基于深度学习的林火检测。面向复杂多变的森林环境,基于传统机器学习的林火检测难以较全面地提取林火特征,而基于深度学习的林火检测可以利用深度卷积神经网络自动提取多维林火特征,其分类能力和泛化性都好于传统机器学习的方法。因此,本文研究基于深度学习的林火检测算法,其主要包含以下内容:针对林火视频图像在成像过程中图像不清晰问题,采用图像增强和图像去雾算法对林火视频图像进行质量提升。对于森林场景中掺杂的环境噪声,采用图像增强中的图像滤波来进行滤除。同时本文研究了森林场景下的图像去雾算法,针对暗通道先验去雾算法效果差和实时性不足的问题,对该去雾算法进行优化,优化后的暗通道先验去雾算法不仅有良好的去雾效果还有较好的实时性。针对林火检测算法网络结构轻量化的需求,对高精度目标检测网络YOLOv4进行轻量化结构的改进,设计了基于DM-YOLOv4的林火检测算法。该算法引入深度可分离卷积结构块和Mobilenet V2网络,大大减少了网络参数量。通过与其他目标检测算法的实验结果对比,证明了林火检测算法DM-YOLOv4在保证检测精度的同时,具有较好的实时性以及轻量化网络结构,但不能很好地识别小目标林火。针对DM-YOLOv4网络小目标林火识别能力不足的问题,对精度优良且所需训练集少的语义分割网络U-net进行结构的改进,设计了基于PPM-U-net的林火检测算法。该算法引入金字塔池化模块PPM（Pyramid Pooling Module）,极大地增大感受野且聚合不同林火区域的上下文信息,提高对林火图像整体信息的获取能力,实现对林火图像中小目标林火更精细的分割。通过与其他语义分割网络的实验结果对比,证明了林火检测算法PPM-U-net识别精度更高,并且能有效识别出小目标林火。