Recientemente, muchos investigadores han intentado utilizar redes neuronales convolucionales (CNNs) para la detección de humo de incendios forestales. Sin embargo, la aplicación de CNNs en la detección de humo de incendios forestales todavía enfrenta varios problemas, por ejemplo, la alta tasa de falsas alarmas de detección y el desequilibrio de los datos de entrenamiento. Para abordar estos problemas, proponemos un nuevo marco que integra métodos convencionales en CNN para la detección de humo de incendios forestales, que consistió en una estrategia de segmentación de regiones de humo candidatas y una arquitectura de red avanzada, a saber, Wildfire Smoke Dilated DenseNet (WSDD-Net). La segmentación de regiones de humo candidatas eliminó los fondos complejos de las imágenes de humo de incendios forestales. El WSDD-Net propuesto logró la extracción de características a múltiples escalas combinando convoluciones dilatadas con bloques densos. Para resolver el problema del desequilibrio del conjunto de datos, se utilizó una función de pérdida de entropía cruzada mejorada, a saber, entropía cruzada equilibrada (BCE), en lugar de la función de pérdida de entropía cruzada original en el proceso de entrenamiento. El WSDD-Net propuesto fue evaluado según dos conjuntos de datos de humo, es decir, WS y Yuan, y logró una AR alta (99.20%) y un FAR bajo (0.24%). Los resultados experimentales demostraron que el marco propuesto tenía mejores capacidades de detección bajo diferentes interferencias de muestras negativas.