El humo es translúcido e irregular, lo que resulta en una mezcla muy compleja entre el fondo y el humo. El humo delgado o pequeño es visualmente discreto, y su límite a menudo está difuminado. Por lo tanto, es una tarea muy difícil segmentar completamente el humo de las imágenes. Para resolver los problemas anteriores, se propone una segmentación semántica multi-escala para humo de incendios basada en información global y U-Net. Este algoritmo utiliza un grupo de atención residual multi-escala (MRGA) combinado con U-Net para extraer características de humo multi-escala y mejorar la percepción del humo a pequeña escala. El codificador del Transformer se utilizó para extraer información global y mejorar la precisión para el humo delgado en el borde de las imágenes. Finalmente, el algoritmo propuesto se probó en un conjunto de datos de humo, y logra un 91.83%. En comparación con los algoritmos de segmentación existentes, se mejora en un 2.87% y en un 3.42%. Por lo tanto, es un algoritmo de segmentación para humo de incendios con una mayor precisión.