基于视频图像的火灾探测具有反应速度快、探测范围广等优点，可以有效的解决传统火灾探测在大空间建筑环境中预警失效的问题，具有广阔的应用前景。图像型火焰识别技术主要包括图像分割、特征提取和识别三个环节。本文概述了视频火焰探测的原理和特点，提出了基于AdaBoost和支持向量机（SupportVector Machine,SVM）相结合的图像型火焰识别算法，称之为AdaBoost-SVM。首先对摄取的火灾视频分帧处理；然后利用背景差分和模糊积分相结合的方法提取视频序列中的运动目标，再使用火焰颜色判据提取疑似火焰区域；分析并计算疑似火焰区域的面积变化率、圆形度、相关系数、红绿分量面积比4个特征值作为SVM的输入参数，利用AdaBoost算法重点标记SVM中被错分的样本，加大被错分样本的权重，使错分样本再次入选分类器的概率增大，不断迭代训练集中“最富信息样本点”，并针对传统AdaBoost算法中只考虑训练集对基分类器权重的影响，没有考虑待测样本对权重影响的问题，计算待测样本和每一轮错分样本之间的距离，再结合错误率对基分类器的权重进行动态调整，最后对所有基分类器采用投票机制得到最终分类结果。通过仿真实验对LibSVM和AdaBoost-SVM算法进行了比较，实验结果表明，AdaBoost-SVM可以有效提高数据分类精度，具有较高的识别准确率。