在经济蓬勃发展的当今社会,城市成为一个区域的经济文化的中心,使得城市成为人口的主要聚集地。城市空气质量问题日渐突出,空气质量状况的好坏与人们健康状况密切相关。因此,预测空气质量指数对人们出行提供相关参考,为相关政府部门在面对复杂的环境中做出科学决策提供重要依据。本文主要是以支持向量回归为理论基础,对空气质量指数问题进行研究。首先对空气质量指数相关数据进行预处理,分析气象数据及污染物数据与空气质量指数的相关性;其次,利用核主成分分析法（KPCA）提取影响空气质量指数的核因素,消除影响因素之间的相关性;然后引入极点对称模态分解（ESMD）对历史空气质量指数进行逐级分解成有限本征模函数（IMFs）和一个最优全局均线（AGM）;提出将全局人工鱼群算法（GAFSA）与自适应权重粒子群优化算法（AWPSO）相结合确定支持向量回归中的自由参数,构建GAFSA-AWPSO-LSSVM模型对各个序列分别进行预测,最后将每个序列预测值相加得到最终输出。结合其它模型,通过误差指标说明文中所提出的模型的适应性与有效性。本文采用成都市2013-2019年中,每年的10月到翌年2月的空气质量指数、污染因子以及气象数据作为实例的数据样本。首先对数据样本进行缺失数据填补处理以及数据规范化。其次,考察影响成都市空气质量主要因素表明:PM_2.5、PM₁₀与空气质量指数相关程度最高。为避免输入变量过多、减小模型复杂度,利用KPCA对影响因子进行核成分提取;再利用ESMD对空气质量指数进行分解,简化时间序列复杂度且保证数据的完备性。利用全局人工鱼群（GAFSA）找到最小二乘支持向量回归中自由参数的全局最优邻域,再利用改进粒子群优化算法快速找到最优自由参数;最后,利用LSSVM分别对各个序列进行预测后叠加得到预测结果。通过对单一模型进行比较,本文提出的ESMD-GAFSA-AWPSO-LSSVM混合模型预测性能较好、准确度较高。