PM2.5对人类身体健康危害极大。目前PM2.5浓度的监测主要依靠官方建立的空气质量监测站点,单个站点的建设成本高昂,站点分布不均,无法实现细粒度的PM2.5浓度监测。机器学习技术的应用在我们的实际生活中随处可见。通过设计各种机器学习算法对积累的历史数据进行学习与分析,就能对当前或者未来的事件进行估算,尤其在语音识别、图像识别和推荐系统等领域已经成绩斐然。因此,使用机器学习技术进行PM2.5浓度监测是一项值得深究且具有发展前景的工作。论文首先介绍了研究背景、研究内容、主要工作以及系统中使用到的关键技术。之后对系统进行了需求分析,根据需求分析给出系统整体架构设计、功能模块划分,并描述了各模块的详细设计与实现。论文工作基于参与式感知平台实现,由树莓派、服务器、客户端组成。树莓派负责拍摄图像并上传至服务器。服务器根据图像的EXIF信息爬取对应的气象数据,并使用亮度归一化、图像分割等技术进行图像预处理,提取出与PM2.5浓度相关性高的图像特征。在此基础之上,以图像特征、气象特征作为输入特征数据,调用离线训练形成并适合处理时序数据的LSTM算法模型进行PM2.5浓度数值估算。客户端负责对树莓派进行初始化设置、站点管理以及获取实时PM2.5浓度数据。论文最后进行了功能模块测试,验证了系统的可用性及稳定性并对全文做出了总结。基于树莓派的PM2.5监测系统可在时间和空间两个维度上实现PM2.5浓度的细粒度监测,为感知平台用户提供周围实时PM2.5浓度监测、PM2.5浓度趋势变化等服务。用户能够获得不同场景的空气质量状况,充分了解自己所处的环境,合理规划出行。并且,收集到的图像数据以及气象数据能够为政府进行城市化管理提供强有力的数据支持。