近年来,大规模雾霾频频发生,给人们的身体健康和正常出行带来了极大的负面影响。PM2.5作为构成雾霾的主要成分,相比其它污染物对人们健康的危害更大,因此,实时检测和准确预测PM2.5浓度对公众健康和公众出行具有一定意义。考虑目前PM2.5浓度预测模型存在的长期预测准确度低、预测效果不稳定、泛化能力差等问题,本文提出采用Stacking集成策略,融合学习能力较强并各有偏好的深度学习网络模型GRU、CNN-GRU、CNN-LSTM,构建层次更深宽度更广的集成网络模型CNN-RNN,该模型可以充分利用卷积神经网络（Convolutional Neural Network,CNN）优异的特征表达能力和循环神经网络（Recurrent Neural Network,RNN）强大的时间记忆能力,提升PM2.5浓度长期预测的准确性。本文的主要研究内容如下:（1）确定PM2.5浓度预测模型的输入数据窗口大小和输出数据步长。首先对北京地区美国大使馆监测站点的PM2.5相关数据进行初步分析,并完成缺失值填充、数据归一化等预处理任务。结果发现PM2.5浓度数据按周呈周期性变化,因此划分模型输入窗口大小为168?8,并结合实际生活,最终确定用过去一周的历史数据预测未来一天（24h）的PM2.5浓度,即输出步长为24。（2）融合CNN和RNN,构建混合PM2.5浓度预测模型CNN-LSTM,并和单一PM2.5浓度预测模型LSTM进行对比。分别使用历史PM2.5浓度单变量数据和同时考虑气象的多变量数据训练模型,选取MAE、RMSE作为评价指标,结果表明多变量CNN-LSTM模型的预测准确度最高,混合模型CNN-LSTM的预测准确度高于单一模型LSTM,多变量模型的预测准确性高于单变量模型。（3）基于Stacking集成思想,构建集成PM2.5浓度预测模型CNN-RNN,并使用多特征空气质量相关数据进行验证。考虑基于门控单元的循环神经网络GRU,构建混合模型CNN-GRU、CNN-LSTM和单一模型CNN、LSTM、GRU,分别对PM2.5浓度进行预测,根据结果选取个体学习器和元学习器。最终选定个体学习器由GRU、CNN-LSTM、CNN-GRU组成,元学习器由LSTM-FC构成,然后利用Stacking集成框架将它们融合起来搭建集成模型CNN-RNN,对PM2.5浓度进行预测,发现预测准确度高于其他模型。此外,利用北京地区奥体中心监测站点的数据对模型进行验证,结果表明CNN-RNN模型的预测效果良好,证明了此模型的可行性。