En algunas muestras de tareas de clasificación de incendios, es especialmente importante aprender y seleccionar características limitadas. Por lo tanto, mejorar el aprendizaje de características superficiales y reservar con precisión características profundas juega un papel decisivo en la tarea final de clasificación de incendios. En este artículo, proponemos un algoritmo integrado basado en características bidireccionales y selección de características para la clasificación de imágenes de incendios llamado BCFS-Net. Este algoritmo está integrado por dos módulos, un módulo de características bidireccionales y un módulo de selección de características; por lo tanto, se le llama algoritmo integrado. El proceso principal de este algoritmo es el siguiente: primero, construimos un módulo de convolución bidireccional para obtener múltiples conjuntos de convoluciones tradicionales bidireccionales y convoluciones dilatadas para la extracción de características y el aprendizaje de características superficiales. Luego, mejoramos el módulo Inception V3. Utilizando el mecanismo de atención bidireccional y la distancia euclidiana, se seleccionan puntos de características con una mayor correlación entre los mapas de características generados por las convoluciones en el módulo Inception V3. A continuación, consideramos e integramos de manera integral puntos de características con información semántica más rica desde múltiples dimensiones. Finalmente, utilizamos la convolución para aprender más a fondo las características profundas y completar la tarea final de clasificación de incendios. Validamos la viabilidad de nuestro algoritmo propuesto en tres conjuntos de datos públicos de incendios, y el valor de precisión general en el conjunto de datos BoWFire alcanzó el 88.9%. El valor de precisión general en el conjunto de datos de incendios al aire libre alcanzó el 96.96%. El valor de precisión general en el conjunto de datos de humo de incendios alcanzó el 81.66%.