目前，基于机器视觉的火灾检测算法中数据集类型不充分、数据集在时间维度覆盖不全面，致使此类算法难以实现火灾的早期预警，文中提出了基于改进YOLOv7的红外阴燃探测方法．该算法利用EfficientFormerV2模型替换原模型的骨干网络CSPDarknet53，从而增强了模型低延迟、低参数量、易部署的能力；同时，在预测网络中，采用CARAFE轻量化上采样模块代替原模型中的上采样模块，扩大了模型对特征的感受野，改善了阴燃特征的表示能力；此外，还引入了新的NWD度量来提升模型边界框预测能力．结果表明，在自建阴燃数据集上，该算法的平均精度达到92.9%，对阴燃检测的平均精度达到99.6%，比YOLOv7的精度提升了14.4%，较基于手工提取特征的卷积神经网络算法提升了4.6%．研究成果将为阴燃火早期预警提供新思路．