Своевременное обнаружение источника возгорания является важным вопросом защиты людей, животных и обширных территорий от пожаров. Актуальность исследования обусловлена тем, что существующие системы визуального обнаружения дыма имеют ряд недостатков, которые не позволяют эффективно применять их на практике. Система наблюдения должна полагаться на визуальные характеристики, и часто ошибочно определяет туман и облака как дым. Целью исследования является повышение эффективности обнаружения дыма за счет использования усовершенствованной модели детектора дыма на основе нейронной сети «You-Only-Look-Once» и классификатора с долговременной кратковременной памятью (LSTM). Основными задачами исследования являются: структурное описание предлагаемой модели обнаружения дыма, математическое описание обучаемой модели и проведение сравнительного анализа с существующими моделями нейронных сетей. Путем изменения структуры LSTM достигается уменьшение количества слоев и ячеек, сохраняется производительность исходной LSTM. Предложенный метод обеспечивает уменьшение количества параметров в несколько раз и более быстрое время обработки на используемом наборе данных. В статье приводятся результаты производительности систем искусственного интеллекта для сравнительного анализа кандидатов нейронных сетей в модель распознавания дыма.