近些年来,随着科学技术的快速发展,中国的工业化和城市化进程日益加剧,这对中国的经济及生活水平产生了巨大的促进作用,但同时产生了环境污染等问题。随着人们对空气污染的重视程度的提高,以及空气质量监测体系的完善,PM2.5的浓度已经成为空气质量评价体系中的重要指标,因此它的分析和预测具有重要的意义。目前全国大部分监测站点对于颗粒物浓度多进行监测而非细粒度的预报,对于整体空气质量的预测效果不明显。同时分布在全国的监测站点密度有限,在进行区域化的PM2.5浓度分布状况分析时较为局限,因此,结合监测数据,提高PM2.5浓度的预测以及空间化表达的能力对于我国空气污染的防治以及空气质量水平的提升具有重要意义。本文提出了一种结合深度学习与空间插值的PM2.5浓度预测方法,对研究区域范围内PM2.5浓度的未来六小时实现逐小时空间化预测。首先,建立PM2.5站点浓度预测模型,针对研究区域内站点浓度进行逐小时预测;在获得站点预测结果的基础上,通过空间插值方法估算为面域数据。主要包含以下两项研究内容:（1）空气质量监测站点未来6小时逐小时PM2.5浓度预测。本文从时间角度入手,对于PM2.5浓度建立预测模型。通过相关性分析确定PM10、CO、NO2、SO2、O3、能见度、气温、露点、气压为PM2.5浓度变化的主要影响因素,结合季度、月度等时间特征共13种建立了基于LSTM的站点浓度预测模型,并使用历史浓度数据对其进行训练。分析表明,站点预测模型所预测的未来六小时逐小时PM2.5浓度结果有较好的预测精度。（2）预测浓度的空间插值方法对比研究。本文对经过浓度预测模型得到的预测数据进行空间化的研究,通过对比全局及局部多项式、自然邻域法、反距离权重插值、经验贝叶斯克里金插值、径向基函数插值等插值方法在所选目标时刻的对预测浓度的空间化展示结果,结果表明基于幂半变异函数的EBK方法表现较好,能够有效的展示PM2.5浓度预测结果的空间化趋势。本文选取了2018年至2019年的PM2.5历史浓度数据、相关其他污染物浓度数据以及气象数据作为实验数据,结果表明本文的PM2.5站点浓度预测模型有较好的预测精度,在浓度预测模型的基础上,基于预测结果比较分析了不同空间插值方法用于PM2.5浓度预测结果空间化表达的效果及精度,最终确定了最适合的插值方法——基于幂半变异函数的EBK方法,并对北京市2016年至2019年四年间的PM2.5浓度数据进行时空分布分析,验证了该插值方法的有效性。