空气质量好坏的程度与空气中污染物浓度的高低密切相关。在特定的时间和区域内,空气污染物浓度的高低会受到很多因素的影响。主要原因是来自固定和流动污染源的人为污染物排放大小,例如车辆、工业企业的生产排放、居民取暖等因素,而城市的地理样貌和气象信息同时也对空气质量产生了重要的影响。有效的预测未来一段时间内特定地理环境下的空气质量的变化,不仅对政府调整环境政策提供帮助,也为预防空气污染提供了科学依据。为了更有效的对空气质量进行评估,增加其应用价值,本文研究了如下工作:1)通过对空气质量指数（Air Quality Index,简称AQI）序列与湿度、温度、风速、能见度和气压五个因素的相关性分析,从而得到了AQI与气象因素之间的关联程度。当相关系数为正时,说明AQI和气象因素呈正相关,AQI随着气象因素的增大而变大,当相关系数为负时,说明AQI和气象因素呈负相关,AQI随着气象因素的增大而减小。2)利用北京市的空气质量数据（PM2.5、PM10、SO₂、NO₂、O₃和CO）和气象数据（湿度、温度、风速、能见度和气压）作为输入,AQI作为输出。在此基础上,分别采用了基于支持向量机（SVM）、BP神经网络和长短期记忆（Long Short-Term Memory,简称LSTM）神经网络三种模型对多输入因子的空气质量进行预测,利用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）四个指标对三种预测模型进行对比分析。通过实验对比表明长短期记忆神经网络能够更准确的对空气质量进行预测。3)使用Python3.5和Django框架,设计了一个空气质量预测系统。首先对空气质量预测系统功能进行需求分析,将系统划分为用户登录、用户管理、数据获取与清理、数据查询与统计和空气质量预测五个功能模块进行设计,该系统以SVM、BP神经网络和LSTM神经网络三种模型为基础模型,通过选取LSTM神经网络作为最终预测结果,最后对系统进行实现。