我国自2013年以来的空气污染防治行动计划使得以细颗粒物为代表的污染物浓度得到有效控制,但与此同时臭氧污染日益凸显。在应对臭氧暴露健康风险等问题时,如何进行臭氧的准确预测与精准控制是研究的难点,而臭氧精准控制的前提是通过臭氧的生成敏感性得到主控因子。因此我们有必要发展高效且准确的臭氧预报和生成敏感性识别模型,对于潜在的臭氧污染实现精准的提前预报,并为政府制定相应的公共健康风险防控措施提供科学依据。目前,臭氧预报主要采用数值模型、统计和机器学习方法。数值模型模拟复杂的大气物理和化学过程,再现臭氧在大气中输送、反应、清除等过程,然而其计算效率低,且排放清单和参数化方案存在较大的不确定性,因此基于数值模型的预报往往难以达到理想的效果。统计方法假设因变量和自变量之间为线性关系,这与实际环境中臭氧与其前体物和气象之间复杂的非线性关系相矛盾。对此,新兴的机器学习模型方法渐露头角。机器学习方法可以较好地处理非线性和非稳定性数据,并具有计算快速、操作简单的优点。研究发现机器学习对小时尺度的臭氧预报效果较好,而对日尺度的臭氧日最大8h滑动均值（MDA8）的预测准确性则大幅度降低。此外,由于机器模型的“黑盒”性质,缺乏对其内部判断机制的相关研究,研究大多局限于利用气象信息对臭氧浓度进行预测,尚未有研究应用机器学习及其可解释性方法探究臭氧生成敏感性。对于臭氧生成敏感性,一般采用基于排放源清单的方法（EBM）和基于观测数据的方法（OBM）两种,但EBM方法同样受到排放清单的不确定性较大和计算复杂等因素的限制,而OBM方法仅采用观测的臭氧前体物和气象数据对臭氧生成敏感性进行识别,相比EBM方法,OBM计算效率更高,但不同化学机理对模型结果影响较大,同时,EBM和OBM结果的差异性也较大。针对以上臭氧预报和生成敏感性识别存在的问题,本研究以香港和上海为研究对象,利用机器学习方法开展了相关研究。在香港地区,开展了小时和日尺度下的臭氧预报研究,针对日尺度下臭氧MDA8预测准确性较低问题,研究提出并建立了一种基于迁移学习（TL）的长短期记忆（LSTM）神经网络（TL-LSTM）模型。研究表明,TL-LSTM大大提高了臭氧MDA8预测的准确性,研究站点的确定系数（R~2）由0.684上升至0.783,均方误差（MSE）由1.36×10-2下降至1.05×10-2。Sobol指数表明,风速是臭氧MDA8预测中影响最大的输入变量,这主要是由于海陆风的循环加速了臭氧的生成与扩散。在上海地区,对观测的挥发性有机物（VOCs）和氮氧化物（NOx）中的二氧化氮（NO2）浓度进行光化学损耗计算得到其初始浓度,基于机器学习方法建立臭氧前体物初始浓度、气象与臭氧三者间的非线性关系模型,利用机器学习的可解释性方法SHAP探究前体物初始浓度及气象对臭氧预测的贡献。研究表明,温度、异戊二烯、相对湿度、二氧化氮、乙烯、反式-2-丁烯是臭氧污染事件中对臭氧生成贡献最大的6个气象因子或前体物;研究开发了基于SHAP臭氧生成敏感性的识别方法,对前体物X初始浓度削减10%,以SHAP值变化百分比（ΔS）与前体物的初始浓度变化百分比（ΔX）的比值（ΔS/ΔX）来表征前体物变化对臭氧生成贡献的影响,[ΔS/ΔX]NOx与[ΔS/ΔX]VOCs的比值识别臭氧生成敏感性。结果表明,在7月份日臭氧浓度最大时,研究站点处于NOx控制区有3天,处于过渡区有19天。本文提出了一种基于LSTM和迁移学习的机器学习模型来改善机器学习模型在日尺度下对臭氧MDA8的预测性能,同时开创性地借助机器学习及其可解释性方法进行臭氧生成敏感性识别,为上海和香港地区的臭氧污染早期准确预警和区域污染联防联控措施制定提供技术支撑。