飞机货舱火灾对飞机安全飞行造成了巨大的威胁,所以火灾监测装置在第一时间发现火灾,然后机组人员立即采取措施可以保障旅客的生命财产安全与飞机安全航行。考虑到目前飞机货舱火灾监测系统研究主要集中在多传感器信融合技术的基础上,通过对多种特征参量数据的监测,来判断火灾是否发生。针对飞机货舱的空气质量而言,包括CO、CO2、臭氧、颗粒物等特征参量,而火灾发生后,主要是CO与CO2的浓度发生变化,所以本文通过对空气质量中CO、CO2这两种特征参量的浓度进行监测,然而飞机航行过程中环境复杂多变,其中气压的变化就会影响火灾监测系统中CO、CO2烟气感应式传感器的检测结果,导致监测装置对火灾的误报,从而提出一种改进的粒子群优化反向传播神经网络（Improved Particle Swarm Optimization-Back Propagation,IPSO-BP）模型来对两种气体传感器进行气压补偿,消除气压造成的检测误差,并利用一种深度学习方法来识别火灾种类。主要的研究内容如下:首先,根据飞机环控系统及空气质量监测的角度出发,分析火灾时产生的燃烧产物（主要是CO、CO2）,选取合适特征参量,从而搭建基于CO传感器、CO2传感器、温度传感器、气压传感器的飞机货舱火灾监测装置。其次,针对气体传感器受气压影响而产生检测误差的问题,设计实验完成传感器的气压特性研究,通过比对实验采集的气体浓度测量值与理论的气体浓度值,提出一种学习因子根据粒子适应度值动态调整的粒子群优化BP神经网络的气压补偿方法,来消除两种气体传感器的检测误差,修正检测结果。通过仿真表明:经过IPSO-BP算法补偿后,选取的27个气压点下气体浓度值都接近于真实值。与BP神经网络气压补偿模型相比,IPSO-BP神经网络气压补偿模型的精度有明显的提高。最后,利用搭建的火灾监测装置,采集真火源与干扰源的温度、CO浓度、CO2浓度3种火灾特征参量数据,再通过对明火、阴燃火、无火三种状态的数据打标签,然后利用一维卷积神经网络（One Dimensional-Convolutional Neural Network,1D-CNN）对采集的数据进行特征学习与模型训练,进而对明火、阴燃火、无火三种状态进行判断。