《Fire》：Artificial Intelligence for Building Fire Detection and Prevention: Research Progress, Applications and Future Trends (2016–2026)
编辑推荐：
传统的建筑火灾探测技术已不再能够满足复杂结构的火灾防控需求，而新兴的人工智能技术已成为突破该行业瓶颈的核心路径。现有综述存在范式不规范、范围片面、方法学评价不足、时间覆盖不完整以及缺乏工程导向等问题，未能满足该领域循证研究的需求。研究人员严格遵循PRISMA
传统的建筑火灾探测技术已不再能够满足复杂结构的火灾防控需求，而新兴的人工智能技术已成为突破该行业瓶颈的核心路径。现有综述存在范式不规范、范围片面、方法学评价不足、时间覆盖不完整以及缺乏工程导向等问题，未能满足该领域循证研究的需求。研究人员严格遵循PRISMA 2020（系统综述与荟萃分析优先报告条目2020）系统综述指南，从2016年1月1日至2026年3月30日的Web of Science核心合集中筛选了JCR（期刊引证报告）Q1和Q2级别的相关SCI（科学引文索引）论文，最终纳入221篇有效论文；系统性地开展了文献计量学分析和技术体系梳理。结果表明：（1）该领域的论文发表数量呈显著指数增长趋势，其中中国占研究成果的52%，居世界首位；（2）卷积神经网络（CNN）和YOLO（You Only Look Once）系列算法是该领域的主流应用技术。研究人员明确了各种人工智能算法的性能差异、优缺点及适用场景。研究人员识别了该领域现有技术和方法学方面的局限性，探讨了未来的核心研究方向，并为人工智能在建筑火灾探测与预防领域的学术研究和工程实施提供了循证支持。
1.1 研究背景：建筑火灾是威胁城市公共安全的主要灾害，复杂建筑火灾事故频发，如2025年土耳其Grand Kartal酒店火灾和香港旺角富华大厦火灾，凸显了现有消防系统的局限性。建筑火灾探测与预防涵盖火灾前隐患识别、早期烟雾和火焰探测、火灾中蔓延和结构耐火性能动态检测、火灾后损伤评估。传统技术（如烟雾传感器、温度传感器）存在空间覆盖有限、抗干扰能力弱、误报率高等问题，而人工智能（AI）技术凭借数据驱动、自适应学习、多源信息融合等优势成为突破瓶颈的核心手段。本研究严格遵循PRISMA 2020（系统综述与荟萃分析优先报告条目2020）系统综述指南，旨在明确研究轨迹、识别技术瓶颈、指明未来方向。
1.2 文献综述：回顾了AI与建筑火灾探测交叉领域的研究进展。2016-2018年为传统机器学习探索期，采用支持向量机（SVM）、随机森林、反向传播（BP）神经网络，但泛化能力有限。2019-2022年深度学习爆发期，卷积神经网络（CNN）、YOLO（You Only Look Once）系列、长短期记忆网络（LSTM）成为主流，检测精度和速度提升50%以上。2023年至今进入多技术融合期，Transformer、图神经网络（GNN）、多模态融合、数字孪生、生成式AI等结合物联网（IoT）和建筑信息模型（BIM）实现全生命周期动态管理。现有综述存在范式不规范、范围片面、缺少方法学评价、时间覆盖不完整、缺乏工程应用导向等不足。
1.3 问题陈述与目标：本研究严格遵循PRISMA 2020声明，系统检索、筛选、评估Web of Science核心合集JCR（期刊引证报告）Q1和Q2的SCI（科学
