作为影响林火发生及火烧强度最重要的因素,森林可燃物的类型提取及其其它特性研究尤为关键。当前针对森林可燃物类型的提取多是基于飞行器拍摄获取的影像数据,数据集庞大,需要从中选出有代表性的数据来有效表征该区域内的可燃物类型。目前有关于森林火灾发生特性的研究主要集中在可燃物的分布、含水率等方面,其中可燃物的含水率的高低是影响森林内传感器布局的重要因素。本文围绕森林可燃物类型提取及森林内传感器布局两方面内容开展研究。首先,根据从大规模可燃物类型数据提取代表性子集问题的子模性,建立流式子模最大化模型。为保证可燃物类型提取的公平性,提出基于公平约束的流式子模最大化SFSM算法。然后,对森林传感器布局中仅考虑可燃物含水率特性,未考虑可燃物类型等导致的布局不公平问题,使用SFSM算法同时兼顾可燃物类型与可燃物含水率两种因素,为森林传感器合理化布局提供参考依据。最后针对森林传感器布局中采用的高斯协方差矩阵优化做了理论推导,为传感器布局在其他场景的延伸应用提供了理论支撑。本文的主要工作如下:（1）提出基于子模最大化问题下的公平约束方法子模最大化已成为选择具有代表性和多样性的数据摘要任务的方法。然而,如果数据点具有特殊属性,机器学习算法若不加以检查,会出现对特定群体的代表性不足或过强等问题。针对数据摘要中提取公平摘要的问题,本文考虑数据项的属性值范围,提出一种公平约束,该约束限制了提取后的代表性子集从每个组中选择的数量在指定的范围之内。并理论分析证明了该约束在子模优化问题中仍然成立。（2）提出基于公平约束的流式子模最大化SFSM算法针对从大规模森林可燃物普查数据中提取出代表性数据问题,将其归纳为数据摘要问题,并采用流式子模最大化的方法来解决,为保证提取出数据能公平精确代表原始数据集中包含的所有可燃物类型,将上述公平约束引入流式子模最大化模型,提出基于公平约束的流式子模最大化SFSM算法,实验表明,本文算法与其他流式子模最大化算法及随机算法相比,不仅时间复杂度减少了8.6%以上,而且在森林视觉影像数据集下有效提取出了可燃物的所有类型。（3）提取可燃物种类与含水率特性的流式公平子模最大化算法应用针对森林传感器监测时只关注可燃物的含水率因素导致的布局不公平的问题,本文首先对采集到的可燃物含水率数据建立了短期预测模型,然后综合考虑森林可燃物种类与森林含水率特性两方面因素,将SFSM算法应用于公平布局森林传感器监测方案中,有效选出含水率高且含油量大的可燃物类型数据,表明该地区依然需要进行传感器布局和火警监测。（4）传感器布局的非平稳协方差矩阵优化方法研究基于互信息的概率布局模型通常采用高斯过程回归来预测未部署节点的观测值。高斯过程中的协方差矩阵构造是高斯回归预测效果好坏的关键。针对传感器互信息模型中的高斯协方差优化问题,本文根据平稳核函数构造出非平稳的协方差矩阵,并实验证明了该协方差矩阵的优越性,为传感器布局的广泛应用场景提供了理论指导。