近些年来,我国基础设施、房地产行业和建筑行业发展迅猛,我国的大气环境遭受到严重破坏。为了能够有效地保护大气环境,进一步的减少空气污染带来的危害,我国在各个地区建立空气质量自动监测站用来监测和监控空气污染物。由于设备仪器故障、外界环境快速恶化等多种原因,空气质量自动监测站采集到的数据时常有异常。依靠人工和由传统阈值判定搭建的空气质量数据异常检测系统异常检测系统准确率低、效率慢,已经不能满足当今的需求。近些年来深度学习技术本文在图像分类、语音合成、时间序列预测等领域做出了不错的成绩,也有部分学者尝试将深度学习技术应用于空气质量数据的异常检测,但目前这方面的研究还不够深入。本文将深度学习具有长时记忆的的长短期记忆网络中和能够获取全局信息的注意力机制等进行研究和创新,最后基于异常检测算法搭建空气质量数据智能质控系统。首先,提出了一个空气质量数据异常检测框架,将异常检测分为预测阶段和异常检测阶段。在此框架下提出了一种基于长短期记忆网络和多头注意力机制Attention-LSTM短期预测模型,利用双层LSTM网络捕捉空气质量数据间复杂的时间序列关联特征,使用多头注意力机制对于不同子空间的时间序列关联特征进行提取,能够获得更加完善有效的特征信息。通过对沈阳市某站点PM2.5进行实验,模型能够准确地预测出PM2.5浓度。在异常检测阶段对比了Quartile、One Class SVM、3σ准则这三种异常检测算法,最后证明Quartile既能高效识别异常数据也能减少对正常数据的误报。其次,考虑多因素对PM2.5的影响,构建基于多头注意力机制和高斯密度估计的Attention-Gaussian长期预测模型。为了捕获空气质量数据间的长期依赖和全局信息,将不同时间戳的信息（小时,日,周）作为输入,为了获得鲁棒性更强的预测结果采用高斯密度估计对预测值进行采样。在异常检测阶段,3σ准则获得最优结果,最终确定了Attention-Gaussian-3σ异常检测模型。最后以Attention-Gaussian-3σ异常检测模型作为模型基础,设计并实现空气质量数据智能质控系统。该系统实现了数据监测、统计分析、异常通知、异常原因上报等功能。通过对系统的各个功能模块进行测试,本系统最终达到了预期效果,并满足了用户所提出的需求。