La investigación sobre la detección de incendios basada en aprendizaje profundo ha aumentado últimamente, y los modelos actuales difieren en precisión y complejidad computacional. Para reducir la pérdida de información semántica y mejorar la precisión de la predicción, este artículo combina la segmentación de escala de grises con umbral dinámico y el aprendizaje de transferencia de red residual. Una estrategia efectiva de extensión de datos de entrenamiento integra los datos experimentales de una plataforma de incendios reales y una base de datos de incendios basada en imágenes de bosques, donde los datos experimentales de la plataforma de incendios reales se capturan en base a diferentes iluminaciones y fondos. Se ha demostrado que esta es una buena solución que puede resolver efectivamente el problema de entrenar modelos profundos robustos que dependen de conjuntos de datos con gran diversidad, lo que puede mejorar el rendimiento general del modelo de entrenamiento. Luego, presentamos una arquitectura de red basada en la segmentación de escala de grises con umbral dinámico y aprendizaje de transferencia de red residual, que alcanza una precisión a nivel de red residual en tareas de detección de incendios basadas en imágenes con menos cálculos. Entrenamos el modelo con un conjunto de datos de imágenes autoconstruido, lo probamos en un conjunto de datos de imágenes de incendios generales y lo evaluamos en un conjunto de datos de video de incendios autoconstruido. En numerosos experimentos, nuestro método produjo una precisión de entrenamiento y prueba del 98.26% y 99.90%, respectivamente, con pérdidas correspondientes de 0.036 y 0.04. La precisión de evaluación fue del 90% bajo la condición de un entorno de muestra complejo. En comparación con otros modelos, nuestro método tiene ventajas en precisión, pérdida de entrenamiento y tiempo de costo. Las comparaciones exhaustivas muestran efectividad y mejora en el rendimiento general.