【目的】针对林火烟雾图像识别中因时空场景差异引起的域偏移问题，本研究提出一种基于域对抗网络的林火烟雾图像跨域识别方法。该方法旨在解决现有技术在跨域场景下识别性能不足的问题，特别是在复杂背景和不同环境条件下的应用挑战，为复杂环境下的森林火灾监测提供技术支撑。【方法】首先，本研究方法在训练阶段引入了条件对抗学习机制，利用林火烟雾图像的类别信息构建条件约束网络，增强模型对跨域特征的适应能力。然后，设计域不变特征提取模块和跨域特征对齐模块。在域不变特征提取模块中，采用预训练的ResNet50作为基础架构，生成具有判别性的域不变特征，解决跨域场景下的特征分布差异问题。在跨域特征对齐模块中，融合最大均值差异度量和相关对齐约束，构建双重约束机制以优化特征空间分布。最终，通过融合条件对抗生成网络与跨域特征对齐模块，构建端到端的训练框架，实现林火烟雾图像的跨域高效识别。【结果】在相同实验条件下，本文所提方法在跨域林火烟雾数据集中平均识别准确率达92.39%，较最优基线模型（LEAD）提升了0.94个百分点，且精确率、召回率和F₁值这3个关键指标分别达到了89.67%、89.58%和89.54%，均显著优于现有的方法。这一结果充分验证了本方法对提升不同时空场景下林火烟雾识别性能方面的有效性。多场景泛化实验结果表明，在复杂气象的干扰下，该模型的识别性能仍较为稳定。【结论】综上所述，本文提出的基于域对抗网络的林火烟雾图像跨域识别方法，有效提升了不同时空场景下林火烟雾图像的识别性能，展现了在复杂环境下的高鲁棒性。该方法为林火烟雾图像跨域识别研究提供了新的思路和解决方案，为相关领域的进一步探索提供了通用参考价值。