森林火灾的发生对经济、生态环境等会产生巨大影响。全世界每年有数十万次的森林火灾发生,严重危害着地球的生态资源和人类的生存发展。因此森林火灾的监测预警技术,已经成为当今世界各国都十分关注的研究课题。视频图像型森林火灾检测的难点在于,目前的技术手段主要是传统的图像检测方法,即人工提取特征,再训练分类器进行识别。鉴于森林坏境比较复杂,导致算法准确率低,鲁棒性不强并且适用性较差。针对现有问题,本文进行了深入研究,主要工作如下:（1）通过自己拍摄和网上搜集视频图像等完成森林火灾数据库的构建,包括正样本和负样本,以及图像的归一化处理,样本标签的制作等。（2）针对森林场景的特殊性,改进了可疑区域分割算法。该方法首先使用三帧差法粗略的提取可疑区域,然后基于RGB和HSV混合颜色空间模型和暗通道理论进一步细致分割出火焰区域和烟雾区域,最后送入分类器进行分类。实验表明,该方法可以比其他方法更加准确的分割出火焰区域和烟雾区域。（3）针对传统机器学习识别效果差,误检,漏检严重的问题,本文提出了一种深度学习与传统机器学习分类器相结合的方法。该方法首先单独离线训练一个深度学习模型,在训练分类器时,将图片输入训练好的深度学习模型进行特征提取,然后将特征作为分类器的输入进行训练。实验结果表明,本文提出的分类方法与经典的LeNet-5和传统的SVM分类器相比,准确率大大提高,既解决了传统分类器识别精度低的问题,又克服了深度学习模型不能有效处理小样本数据的问题。（4）针对深度学习模型提取特征不全面的问题,本文提出了融合火焰和烟雾的深层特征与浅层特征的方法。深层特征是指通过神经网络模型提取的特征,由于样本比较少,模型不能充分训练,导致提取特征不全面,人为提取的颜色和纹理等浅层特征也蕴含着丰富的信息,将二者融合可以得到更完整的特征。实验结果表明该方法提高了林火识别的准确率。最后,对全文的工作进行了总结。