随着我国经济的飞速发展,工业规模的持续扩大以及能源消耗量的快速增加,许多城市都面临着不同程度上的空气污染问题,尤其以局部污染问题更为严重。严重污染的空气给人们的日常生活带来了诸多不便,掌握空气质量的状况及变化规律,分析预测空气质量的变化趋势显得尤为重要。本文以空气质量监测站的公开数据与自制小型化空气污染监测设备移动采集的数据为基础,对南京市的空气质量进行了时空分析,并利用新兴的机器学习与神经网络算法对PM2.5浓度展开了时间序列上的预测,主要工作包括:1.针对空气质量评价困难问题,介绍了指数评价法与模糊数学评价法,并对两种评价方法得到的结果进行了对比分析。结果表明,两种评价方法差异性显著,并且由模糊数学评价法得到的结果整体要优于指数评价法。考虑到指数评价法是以污染物项目中最大的空气质量分指数作为最终的评价结果,突出首要污染物对空气质量的决定性作用;而模糊数学评价法则充分考虑各个污染物对空气质量评价结果的贡献。在实际应用中,可根据需求灵活选择空气质量评价方法,使结果更合理准确。2.针对空气质量监测站采集的数据细粒化程度不高等问题,在对南京市污染物的浓度变化进行逐年、逐月（季）、逐时分析后,又使用小型化空气污染监测设备对东南大学四牌楼校区及周边地区空气质量进行移动式监测,并利用克里金插值,从空间角度研究了污染物的分布特征。结果表明,各污染物浓度在时间上和空间上具有一定变化规律,且受人为活动与气象因素影响较大。3.针对传统预测方法计算复杂耗时久等问题,研究了基于机器学习与神经网络算法的PM2.5浓度时间序列预测模型,并提出使用模拟退火来优化模型参数。结果表明,SVR、BP与LSTM算法均能够较好的对PM2.5污染物浓度变化趋势进行预测,只是预测结果存在滞后性;同时根据评价指标RMSE与MAE来看,基于模拟退火优化参数后的各算法模型预测误差区别较小,RMSE与MAE分别在13μg/m~3和9μg/m~3左右,但LSTM模型的精度仍是三种模型中最高的。4.针对基于机器学习与神经网络算法的PM2.5浓度预测结果存在滞后性问题,提出使用小波分解与重构理论对PM2.5浓度序列进行多尺度分解,将PM2.5浓度序列的趋势和波动特征分散到不同的分量序列中,再对分解后的各分量序列展开预测,最后进行合成。结果表明,融入小波变换后的各预测模型改善效果较为明显,即滞后现象不再出现,同时各种预测算法的精度提高了50%左右。