受全球气候和人类活动影响,森林防火形势紧迫。在众多森林火灾监测手段中,视频监控具有可视性强、灵活性高、成本较低的特点,因此广泛应用于森林火灾监测。烟雾是森林火灾早期重要的表现形式,通过烟雾尽早发现林火灾并定位,对于及时开展灭火救援工作具有重要作用。现有的视频林火烟雾检测方法大多是基于像素提取烟雾特征进行分析检测,烟雾发生早期或烟雾距离摄像头较远时,在视频图像上烟雾仅呈现较小区域,且烟雾的扩散具有无规则性,背景环境复杂多变,导致基于像素的特征不明显,因此使基于像素的烟雾自动化检测难度增大。将数字高程模型与视频图像融合,根据可见光视频图像处理原理,基于区域图像构建了一套森林火灾烟雾检测识别方法。首先利用空间距离图像匹配技术,结合大气散射模型实现图像增强,消除远距离烟雾强度衰减作用;然后利用烟雾区域的时空特征,确定图像中疑似烟雾块;组合烟雾颜色与纹理特征,建立基于随机森林模型分类模型,实现烟雾区域和非烟雾区域的识别。本研究以北京市门头沟区九龙山自然保护区为研究区域,对提出的森林火灾烟雾视频检测识别算法进行验证。本文的具体研究内容如下:1.基于空间距离图像增强技术研究。基于光线追踪算法生成观测点DEM侧视图,其像素值表示空间距离,即深度图像,通过特征点实现深度图像与视频拍摄实景图像的空间匹配。利用大气散射模型,实现实景图像增强与自适应区域划分,减少大气散射作用对光线衰减的影响,弥补由于图像距离对图像像元强度的影响,实现了图像的清晰度恢复,有利于后续对远距离烟雾图像的检测识别。2.基于区域动态特征的疑似烟雾区提取。将视频数据按照每秒1帧生成连续图像序列。利用连续图像序列局部区域图像亮度值,分区域计算图像系列信噪比;根据背景图像信噪比得到自适应阈值范围,设置时间窗口,检测图像序列信噪比超出阈值的图像块。在变化检测过程中,提出了图像区域动态特征的疑似烟雾检测方法,实现了复杂环境中疑似烟雾区域的检测。3.基于机器学习的疑似烟雾分类。利用烟雾样本和非烟雾样本,训练支持向量机模型和随机森林分类模型,对比分类效果得出提取LBP纹理特征和颜色特征,利用随机森林模型分类精度最好。提取疑似烟雾块的LBP纹理特征和颜色特征,采用训练好的随机森林分类器对疑似烟雾区分类。基于机器学习方法对疑似烟雾分类研究,提高了检测精度,烟雾检测率达到93.26%。本文创新点主要有以下方面:（1）结合深度图像的图像增强与分区技术。基于DEM分析生成的深度图像与大气散射模型,建立图像增强模型并划分区域,实现基于距离的图像自适应分区与增强。（2）基于区域动态特征的烟雾检测技术。利用图像序列信噪比算法,对局部区域亮度进行统计,提取多尺度图像序列时空特征,确定疑似烟雾的区域和发生时间。然后基于机器学习实现对疑似区域的分类。