随着城市化快速发展及居民水平的提高,空气质量逐渐成为全球范围内居民及政府关注的热点问题。通过部署在不同区域的传感器进行空气质量及其相关数据的收集,进而利用推测算法获取时空细粒度的空气质量分布图,对城市空气污染防护及居民健康和生活水平的提高具有重要意义。因此,如何精确地进行城市尺度范围的空气质量推断及预测成为一个亟待解决的重要问题。现有的空气质量推测方法主要是通过收集空气质量监测站的历史测量数据去推测空气质量。然而,稀疏的空气质量站点、不完备的相关特征数据、影响空气质量变化的各种复杂因素以及空气质量随位置和时间的线性与非线性变化等,对空气质量的精确推测提出了巨大挑战。针对利用现有监测站点收集的测量数据推断没有监测站点区域的空气质量值的问题,提出了一种基于矩阵分解的方法,通过融合来自低秩结构、空气质量测量和各种特征（如气象、交通、道路网络、土地利用和兴趣点）的信息来推断空气质量。不同于现有研究工作分别对处理特征恢复、特征提取和空气质量推断各自进行推理,而是将三个问题有效统一为一个模型。在模型中,空间和时间特征矩阵被分解为更小的因子以实现时空隐含特征的恢复和提取。通过与空气质量矩阵共享矩阵因子,将提取的空间和时间特征信息转移到空气质量推断方面以便提高其性能。基于在北京获得的真实数据源,对所提方法进行了评价。实验结果表明,所提出的方法比基准方法的性能提高了接近一个数量级。针对利用目标监测站点收集的历史测量数据来预测未来时刻的空气质量值的问题,提出了一种基于时空深度学习的空气质量预测模型。首先,基于时空视图,通过集成改进的逆距离加权（IDW）和改进的自回归移动平均（ARMA）模型来估计缺失值。其次,利用一维卷积神经网络（CNN）捕获站点之间在地理空间中的深层特征,并结合长短期记忆网络（LSTM）提取空气质量序列数据的时间依赖性。最后,经过全连接层输出预测结果。基于在北京获得的真实数据源,对所提出的模型进行了评估。实验结果表明,该模型在各个指标上的预测性能均优于基准方法。