火灾是人们日常生活中一种频繁发生且危害巨大的灾害事故。随着城市建筑向越来越高和越来越密集的趋势发展，火灾一旦发生，将严重威胁人们的生命财产安全。准确及时地检测到火灾发生对于防火救火具有十分重要的意义。传统的火灾检测技术多基于烟雾、光、热等多种火灾参数传感器来探测火灾，然而其受探测距离、安装位置等多种因素限制，报警速度慢、准确率低。进入21世纪以来，人类社会迈入高度的信息化时代，基于图像型的火灾检测技术开始走进人们视野，由于其可以和现有视频监控平台有机结合，并且兼具响应速度快、覆盖范围广、报警信息丰富的优点，图像型火灾检测技术迅速成为学界的一项研究重点。
　　现有的图像型火灾检测技术多是基于人工选取特征并结合浅层机器学习分类器进行分类决策，然而人工选取的特征过分依赖于专家的先验知识，选取的特征通常很难准确全面地描述火焰本质。浅层机器学习分类器模型局限于有限样本的训练，更丰富的样本数据并不能带来其性能的显著提升；此外，针对复杂的分类问题，模型的表达能力和泛化能力都存在一定制约。
　　本文研究了现有图像型火灾检测算法的基本原理和相关技术，并复现了其中部分算法，旨在从实际效果出发，指出现有技术存在的不足。在对深度学习领域目标检测框架进行研究的基础上，提出一种基于改进YOLOv3的新型火灾检测算法，该算法在同一个深度卷积神经网络中完成特征的自动提取、火焰的分类识别和图像定位。首先，通过改进特征提取网络结构，增强特征复用并充分利用上下文信息，以提升网络对小尺度目标的分类准确性。此外，针对算法定位不准的问题，改进锚框选取方式，以获得更高的平均交并比。最后，通过简化损失函数使算法更加贴合于火灾检测任务需求，并且进一步加快网络的收敛速度。
　　鉴于现有的公开火灾数据集资源较少，本文通过收集多种场景、多种燃烧尺度的火灾视频并对其进行选择性帧截取，自建了一个包含近14000张火灾图片的火灾数据集，用于模型的训练和测试。本文分别在图像和视频数据集上对算法性能进行测试，其实验结果表明：该算法检测速度快，检测精度高，不仅能够实时检测大尺度火焰，对于火灾发生初期的小尺度火焰也同样检测灵敏，其检测速度可达26.0f/s，精确率可达97%，且在多种复杂光照环境下均能良好地抑制误报。