随着国民经济水平的日益提高,国内机动车保有量呈现逐年快速增长的趋势,致使道路机动车尾气排放在总体空气污染物中占比日益增高,而道路机动车尾气排放的主要贡献者为高排放机动车,如何准确识别出高排放道路机动车,且有效防止机动车高排放现象的发生,是治理道路机动车污染的关键,加快这一问题的解决,将有助于我国的清洁空气计划和美丽中国建设。针对上述挑战,本文开展了面向道路机动车高排放的智能识别与预测方法研究,具体的研究内容包括:（1）针对遥测装置中设定固定截止阈值判定道路机动车高排放的方式,易造成错误筛查,而采取人工分析遥测大数据统计特性,在各地区定期调整截止阈值的方式,人力监管成本较高,实现较为困难的问题,提出了一种基于遥测数据的无监督识别模型AFR-OHV,该模型将机器学习与大数据分析方法相结合,首次应用于道路机动车高排放遥感测量中。基于RSS实时监测数据集,模型采用自动边界检测、初始K中心确定、归一化K-Medoids等方法自适应地构建与更新聚类数据库,并在实时更新的聚类数据库指导下,采用最近邻分类器实时识别通过RSS的道路机动车。应用于山东淄博、河北石家庄、安徽合肥的机动车尾气遥测站点数据分析,表明AFR-OHV模型相比于其它三种模型,在收敛速度小于5秒的同时,获得了最好的DBI、DVI性能指标,DBI平均值为32.96,DVI平均值为0.0045;模型中分类器的受试者操作特征曲线（ROC）下的面积（AUC）平均值达到了 0.9686;模型可以更新不同排放区域之间的自适应截至阈值和自动计算不同类型尾气高排放的超标率;对于机动车高排放的各项识别性能指标优于设置固定截止阈值的传统检测方式,召回率平均高出13.04%。（2）针对车管所车检数据和遥测数据融合的问题,采用t分布式随机近邻嵌入（t-SNE）流形学习对遥测数据中机动车各尾气组分的排放浓度、不透光烟度、车辆速度、加速度和比功率、车辆长度、车辆类型、风速和风向、温湿度等特征参数降维处理,融合车管所车检标签与遥测数据,提出了一种基于粒子群优化支持向量数据描述（PSO-SVDD）的道路机动车高排放有监督识别模型。应用于山东淄博、河南汝州、安徽安庆遥测识别,结果表明,采用基于高斯核函数的PSO-SVDD模型的各项识别性能指标均优于采用多项式核函数的粒子群优化单分类支持向量机（PSO-OC-SVM）模型,准确率、精确率、召回率分别高出12.07%、22.76%和2.02%;并且对不同时空下不同遥测设备所采集的道路机动车尾气排放数据具有较好的自适应性,模型平均训练时间小于30秒,满足RSS监测的实时性要求。（3）针对道路机动车高排放预测与预警的问题,提出了一种基于PA-LSTM深度学习的道路机动车尾气高排放预测与预警模型,该模型通过构建多层注意力空间编码机制将车载尾气检测系统（PEMS）参数、车载自诊断系统（OBD）参数和机动车尾气排放数据在空间上进行隔离,并行输入至模型中,解决了不同类型数据之间存在的注意力权重干扰问题,加快了模型训练的收敛速度;结合长短时记忆神经网络模型和时间解码机制,实现了道路机动车尾气高排放预测;应用于北京延庆道路与天津南开大学机动车排放控制联合实验室的机动车尾气排放PEMS监测,结果表明,PA-LSTM模型可以获得更加精确的机动车尾气排放预测结果,评价指标RMSE、MAE、MAPE相比于七种主流时序预测模型中预测性能最优的模型,分别降低7.49%、4.36%和0.89%,R2提升了 0.55%,且该模型可以消除机动车尾气排放数据中的异常值,并对基线漂移有一定的抑制作用。PA-LSTM模型可以预警机动车尾气高排放,超前反馈至机动车的尾气后处理系统,以便系统及时执行相应的控制措施,避免尾气高排放的发生。本文从实际工程应用角度出发,研究和设计了上述模型,为解决道路机动车高排放智能识别与预测的关键问题,提供了新的思路与切实可行的方法。