本文研究了基于时空域纹理特征的视频火焰检测算法,主要目的是利用摄像头对场景进行监视,同时结合图像处理、模式识别、计算机视觉、机器学习等技术对获得的视频图像进行图像内容和目标行为的分析,实现火灾的自动检测和报警。本文分析了运动特征和颜色空间在视频图像中对像素点的筛选,经过实验对比发现,使用帧间差分法和RGB与HSI颜色空间下对视频图像中候选火焰像素点的提取效果较好。在候选的火焰像素点中,使用种子生长法对候选火焰像素点进行扩展,得到了更加丰富的候选火焰像素点。由于火焰是流体运动,并且纹理丰富,可能前期无法将火焰区域完整的提取,因此本文将视频图像进行分块处理,利用图像块中候选火焰像素点的个数选取候选火焰块。针对现有的纹理特征提取方法在视频火焰中的应用,基于特征融合技术,将协方差矩阵与小波变换和Contourlet变换分别进行融合,得到了基于时空域纹理特征的检测方法,并将其应用于视频火焰检测过程中。分析了支持向量机中四种不同核函数对纹理特征块的学习和分类,实验结果表明,基于线性核函数的分类效果较好。在火焰块的识别中,通过使用线性核函数学习的映射函数对图像块进行分类,以判断所检测的图像块是否为火焰块。最后利用本文提出的火焰帧判定准则,判断当前视频中是否含有火焰块。本文最终给出了基于LBP、LBP-TOP、协方差矩阵、协方差矩阵与离散小波变换融合、协方差矩阵和Contourlet融合的实验结果。实验结果表明,基于协方差矩阵和Contourlet融合的时空域特征相比其它纹理特征的检测率即提高了正检率,又降低了误检。