随着工业的迅速发展以及国家对环境保护的日益关注，利用深度学习技术对工业监控视频进行烟雾检测日趋成为一个重要的研究方向。但目前烟雾检测领域存在诸多问题：研究人员使用的数据质量参差不齐，尚未有一个权威的图像数据集；当前研究主要采用二维卷积神经网络来搭建模型，容易忽略视频图像帧之间的时空特征，实际场景中准确率较低；国内外对于视频烟雾排放程度的评价标准也少有研究等。
　　针对工业监测的特定场景，为了克服当前烟雾检测中存在的不足，本文提出了一种基于深度学习的工业烟雾监测方法，具体做了如下方面的工作与贡献：
　　（1）建立了一个基于工业烟雾场景的图像数据集。相比于当前公开的烟雾数据集，监控视频场景更丰富且数据质量更高，为烟雾检测模型的训练和测试打下了基础。
　　（2）提出了一种基于U-Net卷积神经网络的烟雾检测算法。该算法在U-Net基础上使用三维卷积搭建深度学习模型，有效解决了二维卷积不能提取视频图像帧之间时空特征的问题。同时根据实际场景精简了模型结构，在保持性能的同时减小参数量，并在模型中引入了“残差块”的结构，进一步提升了系统的检测效率及准确性。
　　（3）提出了一系列烟雾排放程度评价指标。在检测到烟雾之后，提取烟雾区域的面积特征、颜色特征信息，计算烟雾区域的增长率等相关指标，综合分析烟雾排放程度。
　　本文对工业烟雾监测方法进行了详细的理论研究，设计搭建了完整的深度学习模型，并在此基础上实现了工业烟雾监测应用，最后进行了测试。结果表明，提出的深度学习模型在一定程度上提升了工业烟雾检测的准确率，同时漏检率较低。烟雾区域相关特征指标对排放程度分析有辅助描述作用。整个应用可用于实际的工业烟雾监测场景，具有一定的研究价值。