在现代城市的各种常见灾害中,火灾对工矿企业、居民住宅、交通隧道等室内场所人员、物资安全危害极大。近年来,室内火灾探测技术已从传感器监测发展到视频监测。尽管通过研究火焰的静态与动态特征,基于视频的监测方法在准确性方面得到一定的改善,但由于存在众多类火物的干扰,提高室内火灾视频监测的准确性存在诸多挑战。其中,火灾视频监测本质上是一种在线贯序的不均衡数据分类问题,因此,仅仅研究火焰特征不足以有效提高识别精度。本文针对上述特点,在充分提取火焰特征的基础上,重点对后端所采用的模式识别算法进行改进,从而达到提高火焰在线检测精度的目的。主要工作和贡献如下:首先,介绍了传统的火灾检测视频处理技术和图像处理的基本理论,然后对极限学习机的基本原理、以及与BP神经网络的不同之处进行了简单的介绍。其次,提出了一种极限学习机的模型选择方法,该算法采用多目标优化的极限学习机选择方法对泛化误差和输出权重的模进行优化;在此基础上提出采用多目标优化策略的不均衡极限学习机模型选择算法,该算法可有效避免不均衡数据下模型权重偏向于多类数据、抑制少类数据预测精度的问题。最后,针对在线采集到的数据严重类别不均衡问题,提出了一种基于主曲线的在线贯序极限学习机分类算法,该算法采用在线贯序极限学习机进行分类,利用少类样本合成过采用算法(SMOTE)生成符合样本分布特点的虚拟样本,根据点到主曲线的投影距离分别设定各类样本的隶属度,根据隶属度消减多类样本,剔除不合理的虚拟样本,以解决在线过程中的类别不均衡问题。该算法在一定程度上解决了当前火灾探测领域存在的一些难点,也为该领域提供了一种有效思路和方法。本文不仅扩充了极限学习机理论与算法的研究,也为在线贯序不均衡分类问题提出了新的解决方案,同时在应用上,本文所提的算法能够有效的避免和减弱类火物的干扰,并且提高了火灾视频的预测精度。