21世纪以来,我国空气污染问题突显,这极其严重的影响了人们正常的活动、工作,对普通群众的身体健康产生了负面的影响。大气污染问题是国家非常关注的重点问题,也切实地关系到我们每一个普通人的生活。大气污染物中,影响最大的就是大气中的细颗粒物（通常称为PM2.5）,这种污染物主要来源于现代化工业产生的污染、机动车所排放的有害尾气等,它对人体的健康产生了威胁,直接影响呼吸系统、心血管系统等。因此,对于大气当中的PM 2.5的浓度进行监测,同时根据监测的结果进行有效、科学地预警、预测等工作的研究,具有非常重要的意义。本文搜集了武汉市从2014年到2019年的空气质量历史数据,对其进行了描述性统计分析,挖掘武汉市空气质量的变化特征,并建立针对于PM 2.5日浓度数据的组合预测模型。首先,将信号处理方法当中的奇异谱分析（SSA）方法应用于时间序列数据的分解当中,将原始时间序列数据分解成含有趋势和季节性的主要成分以及波动幅度较大的噪声成分,采用“分而治之”的思想,分别对两个成分建立预测模型,在预测建模是应用了ARIMA、SVR、LSTM模型,将分别得到的预测结果组合成最终的预测结果。为了检验文章所使用的的组合模型的预测效果,将其与单一的基础预测模型的预测结果进行对比。最终结果显示,经过SSA分解之后进行建模分析,比单独使用基础模型的预测精度要高,除此之外,在所构建的组合模型中,使用SSA对序列进行分解、LSTM模型对主要成分进行预测、ARIMA模型对噪声成分进行预测所得到的组合模型,其预测效果相较于其他模型,在精度方面具有一定的优势。本文主要是将奇异谱分析算法和ARIMA模型进行结合,构建组合模型,并与其他单一模型和组合模型进行对比分析。本文特点主要体现在将信号处理当中的滤波方法奇异谱分析应用在一维时间序列数据上。将时间序列数据进行奇异谱分解处理,将代表不确定性的噪声成分提取出来,从而有效的削弱不确定性因素对时间序列模型的影响,以此为基础建立的组合预测模型,相比于单一的时间序列预测模型,精度更高,预测效果更好,能够有效地对PM2.5日均浓度进行预测。