La detección rápida, en tiempo real y precisa de las características del humo en la etapa temprana de un incendio es crucial para reducir las pérdidas por incendios. Los métodos existentes de detección de humo principalmente se basan en algoritmos tradicionales y sensores de humo, y estos enfoques tienen limitaciones en tasas de detección falsas, precisión y rendimiento en tiempo real. Por lo tanto, en este documento se propone una nueva red DCNFYOLO para la detección de humo. En primer lugar, se introduce la Convolución Atrous Conmutable (SAConv) en la red de base YOLOv5 para mejorar la extracción de fusión de características de humo por la Red Neuronal Convolucional (CNN). En segundo lugar, se consideran tanto el operador de Convolución de Desplazamientos de Distribución (DSConv) como los mecanismos de Atención de Canal Eficiente (ECA) en la parte del cuello para reducir la carga computacional del modelo y capturar mejor la relación entre canales para mejorar el rendimiento de detección. Finalmente, para hacer que los ejemplos de baja calidad sean menos perjudiciales para los gradientes, se utiliza la función de pérdida Wise-IoU (WIoU) en la parte de predicción para reducir la competitividad de los fotogramas de anclaje de alta calidad durante el entrenamiento del modelo, permitiendo que el modelo converja más rápidamente y de manera más estable. Los resultados experimentales muestran que la red DCNFYOLO puede lograr una precisión de detección notable del 96,6%, lo que representa una mejora sustancial del 7,7% en comparación con el rendimiento de la red YOLOv5 original, validando así la efectividad de la red propuesta.