随着社会经济的高速发展,引发火灾的因素增多,各类火灾事故不断,对群众生命财产安全造成了严重威胁,因此,火灾的快速预警一直以来是国内外关注的重点问题。火灾视频监控系统已经逐渐普及,由于火焰是火灾的重要视觉特征,因此,基于视频图像的火焰区域检测方法成为火灾探测和扑救的重要辅助手段,尤其是深度学习在各领域的亮眼表现以及电子硬件计算能力的快速提升,一些研究者也致力于研究基于深度学习的火灾视频火焰图像,然而,基于深度学习的火焰区域检测的研究很少。考虑到用于火焰区域检测的卷积神经网络结构复杂、容易被复杂背景干扰,本文采用两阶段检测步骤实现视频火焰区域的识别。第一阶段检测是采用改进的ViBe算法提取包含疑似火焰区域的视频片段,第二阶段提出了基于深度时空特征的双流结构的火焰视频区域检测网络,以便检测疑似火焰视频片段中的火焰区域。本文的主要研究内容如下:（1）本文改进了ViBe算法并将其用于过滤不包含前景的视频片段。针对当前的多种前景检测算法对火焰区域腐蚀性过强的缺陷,本文基于闪烁像素和火焰颜色的特征设计了新的动态背景检测规则,在此基础上改进了ViBe算法的背景模板更新机制,以便保留更完整的疑似火焰区域,并抑制动态背景的干扰。通过实验比较,证明了本文提出的改进方法更适用于火焰检测领域。（2）本文采用预先划分像素块的方法,构建了轻量的火焰区域检测网络CNNFlame。针对目前的深度卷积网络模型在火焰检测任务中,误检率高以及结构较复杂的缺陷,本文采用了先构建轻量的火焰图像区域检测网络再添加时间流提取视频动态特征的思路。基于火焰局部特征与整体特征相似的特性,本文将输入视频帧划分为大小相等的网格作为候选区域,再根据网格的尺寸规划输出特征图的尺寸,从而构建了轻量的火焰区域检测网络框架CNNFlame,一次性检出所有网格区域。实验表明,CNNFlame的检测精度略微低于FCN,但极大地降低了网络复杂度,有利于实时性检测以及后续的改进。（3）本文在CNNFlame的基础上构建了双流的火焰区域检测网络TSCNNFlame。由于CNNFlame预先划分的候选区域不能适应不同尺寸和不同拍摄距离的火焰块,本文引入SK卷积使网络获得自适应调节感受野尺寸的能力提升网络性能。为了抑制SK卷积带来的参数量增加,并进一步轻量化网络,本文对比分析了近年比较突出的三种轻量化模块与SK卷积融合的可行性和参数压缩率,最终选用了ShuffleNetV2卷积模块与SK卷积融合后的SK-shuffle模块重构TSCNNFlame网络。实验中通过与当前方法的多方位对比,验证了TSCNNFlame的高精度、抗干扰性和实时性。