大气的污染指的是人们在进行生产活动的时候，因为一些不恰当的行为将污染物排放到大气中，排放到大气中的污染物达到一定的浓度后就会对人们的身体造成伤害，同时也会影响其他的物种发展。污染物通常是变化且具有动态性，因此引起空气污染的因素也是多种多样的，比如我们熟知的：二氧化硫、二氧化氮、PM2.5等都是造成空气污染的罪魁祸首。同时一些天气的因素也会对大气污染造成影响，比如：降水量，风力大小，湿度温度等。　　在当今社会，随着人们生产生活的发展，环境问题已成为人们关注的焦点。山西太原是一座拥有2500年历史的文华古城，长久以来，山西省作为全国的煤炭大省为国家的发展做出来贡献的同时，也不可避免的造成了一定的环境影响，而如今环境问题日益严重，特别是在冬季供暖时期，山西主要依靠的是烧煤供暖，环境问题十分严峻，山西省想要恢复碧水蓝天，尤其是作为省会城市的太原，更加需要以新的面貌去迎接未来的挑战和发展。太原市经过多年的整治，但是环境改善并没有达到预期的效果，为了进一步控制和揭示太原市空气质量污染状况，有必要了解空气的变化趋势，并及时、准确、全面地掌握空气变化的各种信息，准确的预测空气质量AQI指数是改善环境质量的有效措施之一。　　因为空气质量AQI指数受多个难以确定和非线性影响因子的影响，传统的预测方法会导致预测精度较低且效率低下，在多个神经网络模型当中，基于长短期记忆单元（Long Short-term memory,LSTM）的递归神经网络模型能够有效的预测时序数据中长短聚类中依赖信息的能力，能够有效预测空气质量AQI指数。本文首先分出各种污染物质及大气条件与AQI指数的相关性，并基于Python3.5.2和TensorFlow框架，结合近几年空气质量的各种影响因素走势，对空气质量的AQI指数进行了预测，使用误差分析对预测的数据和原始数据进行误差分析，得出结论：基于TensorFlow的LSTM神经网络能够较精准的预测空气质量AQI指数。　　文章首先利用Ri3863.3.3[1]分析出空气各种污染物质与AQI指数的相关性，并引入天气因素对空气质量的影响因素，从多个方面分析太原空气质量AQI指数的影响因素。然后基于Python3.5.2和TensorFlow框架，结合近几年空气质量的各种影响因素的走势，对太原空气质量的AQI指数进行预测，最后使用误差分析对预测的数据和原始数据进行误差分析。主要研究内容如下：　　（1）利用Ri3863.3.3分析[2]太原空气质量不同年份的变化情况以及影响AQI指数的相关因素，包括各种污染物及气候条件。　　（2）分别利用SVM[3]、ARIMA时间序列和LSTM对空气质量AQI指数进行预测，然后比较其误差曲线。实验结果表明，基于Tensorflow的LSTM在预测精度、误差率和可靠性方面均优于ARIMA时间序列模型与SVM。