目前,我国大气污染物浓度预报技术已经进入了快速平稳的发展时期,随着数值预报技术的不断完善,大气污染物浓度预报水平已经显著提升,但随着数值预报技术逐渐成熟,目前只依靠数值模式已无法使大气污染物浓度预报获得很大提高。针对上述问题,本文做了以下工作:第一,天津市气象台数值预报产品在不同环境下预报能力不同,本文在分析数值预报产品的基础上提出一种筛选判别分析方法:首先,利用2015年的八种数值模式进行数据分析并比较八种数值模式在不同季节下的预报能力,验证集成有效性;然后,将八种数值模式分季节进行显著性检验,并引入相关性结合偏差的筛选方法作为分类器,在四个季节中分别进行筛选分类,最后,将筛选的数值模式进行主元分析,将分析后的主成分作为集成改进算法的输入。第二,针对数值模式下大气污染物浓度精度不高的问题,提出一种有效的引入遗传算子的极限学习机(ELM)改进遗传算法的多模式污染物集成预报的方法。改进算法首先借助极限学习机优秀的非线性映射能力,定量模拟遗传算法种群进化的算子操作从而构建ELM进化机制,然后将ELM进化机制与遗传算法结合来建立多模式污染物集成预报模型,整个算法采用30天滚动预报。本文进行了对比实验,分析对比了不同集成算法和单模式的测试精度。实验结果表明,引入遗传算子的ELM改进遗传算法模型具有较可靠的预报能力,预报误差明显小于任一数值模式以及其他集成算法模型,更加贴近了真实数据。同时,搭建大气污染物浓度预报系统,在较短的时间内为预报员提供准确可靠的预报参考,具有良好的应用前景。