当今社会对火灾探测系统要求日益提高,许多新的火灾探测方法不断的被引入到火灾探测领域中来。针对火灾信号的这种非结构性特点而提出的基于智能信息处理方法的火灾探测系统具有自学习和自适应功能,已成为现在火灾探测技术研究的主要方向。火灾信息具有无法预知、非结构性的特征。传统的探测方法大多通过采集单一的火灾特征参数信息进行判断和识别,但由于干扰因素多,其误报率一直比较高。近年来,在探测器的灵敏度、可靠性方面做过许多技术改进,使火灾报警准确度得到一定的提高,但还不能满足火灾探测系统的自动化要求。对火灾信息固有特征,要对其进行全面、准确的描述才能达到减少或消除误报的目的。因而,多判据的火灾探测方法是目前火灾探测领域的主要研究方向。本文通过对火灾机理与目前火灾探测方法的研究,结合火灾探测系统的自身特点,提出一种基于小波神经网络的火灾探测算法。由于火灾气体不止一种,我们采用传感器阵列来采集气体信号。针对小波神经网络精度高,学习速度快的特点,我们将小波神经网络模式识别算法应用于火灾气体的检测。在目前常用的一维小波神经网络(经典的小波神经网络)的基础上,本文研究了用来处理多维数据信息的小波神经网络,主要是基于小波神经网络学习收敛速度较快,对网络输入不是很敏感,以及小波神经网络可以有效的进行函数逼近或者信号逼近的特点。传统的前馈神经网络多采用误差反传学习算法对网络进行训练,但是误差反传学习算法具有容易陷入局部极小值,收敛速度慢以及容易导致震荡等缺点。针对这些缺点,我们对传统的误差反传学习算法进行了两点改进,一是采用基于梯度符号变化的局部学习率自适应算法,二是采用引入动量项的方法。我们使用改进的误差反传算法来训练小波神经网络,能够有效的加速算法的收敛速度和有效的避免算法陷入局部极小值及震荡的出现。最后通过Matlab仿真,用训练好的小波神经网络对混合气体进行定性、定量分析,得到了令人满意的效果。