十九大报告中强调要持续进行空气污染防治攻坚行动,要打赢蓝天保卫战,并且努力使人民群众对美丽生态环境抱有更多获得感和幸福感。在这样的背景下,对空气环境质量进行有效地评估是对空气污染防治行动做出的积极响应,同样也是检验空气污染防治工作好坏的一项重要标准。因此,在经济高质量发展格局下对空气质量进行高精度评价具有重要的指导意义。为了实现对空气质量的高精度评价,并考虑到模型的优缺点以及组合模型权重求解的可行性。选用统计学中的稳健性较好的Logistic回归模型和非统计学中的训练速度及精度较高的RBF神经网络模型。首先,结合空气质量标准等级和江西省空气环境污染物浓度值的实际情况将空气质量标准等级分为五级,并在五个空气质量标准等级内随机生成100组数据以满足模型训练的要求,同时运用因子分析法对污染物指标进行选取,保证所选取出的关键污染物指标在所属类别中对最终评价结果影响最显著,能降低低浓度值的污染物对最终评价结果的影响,也避免了人为选取指标的主观性。然后,通过研究实际情况下空气质量污染物浓度值的范围及分布趋势,提出Logistic回归模型并进行修正,通过软件1stOpt中的遗传算法对Logistic回归模型参数进行优化,最终得到修正Logistic回归模型并通过了拟合模型检验以及模型参数的检验;其次在MATLAB中用100组数据对RBF神经网络模型进行训练达到精度要求后收敛。最后,采用线性规划法对两单一模型进行组合,组合模型通过有效性和相关性检验后将组合模型的评价结果与单一模型的评价结果进行对比得知组合模型在稳健性和精度均占优,据此提出基于修正Logistic—RBF网络组合模型。通过对江西省空气质量进行实例分析,并与单一模型以及常规评价方法的结果进行对比。结果表明:组合模型得出的评价结果与常规方法的评价结果惊人的一致,说明了组合模型的适用性,另组合模型的精度和稳健性都要高于单一模型且得到的评价结果是连续的实数值,解决了常规评价方法对空气质量进行评价时结果的不相容问题,即可以对传统评价方法得出的同一等级内的区域进行比较。因此,本文提出的是一种新的空气质量评价方法,具有广泛的应用价值。