当前全球气候剧变,由此引发的空气污染问题日益严重,人们的日常生活受到了严重的影响。随着环保意识的逐渐增强,人们对于空气质量改善的需求越来越高涨,如何做好污染的防治工作成了一个十分急迫的问题。在保持经济高速发展的同时将工业化对环境气候的影响降低到最小,这已经成了各国学术界所共同追求的目标。采取科学的方法进行空气质量监控工作已经成了一项重要议题,准确地从空气质量数据中获取信息是这项议题的关键。掌握污染变化的规律,十分有利于科学地指导空气污染防治工作,对城市健康发展具有十分重要的指导意义。随着科技的快速发展,新兴的机器学习技术已经融合到社会发展的各个领域,已经在统计样本分类、时间序列预测等方面获得了突破性的进展。本文主要基于机器学习技术,引入了若干典型机器学习算法对空气质量数据分类的判别和预测进行了研究。文章收集了中国空气质量数据监测网上公开的南京市近6年来的数据样本,分别进行了空气质量等级分类以及AQI（Air Quality Index）污染指数的预测判别两项工作,主要工作如下:（1）针对SoftMax逻辑回归在多分类情境下对空气质量数据集的分类准确率不高的问题,提出了低置信样本的概念并结合了SVM（Support Vector Machine）模型对低置信样本进行结合分类的方法。在实验数据上的运行结果表明,新模型的准确率要优于Soft Max模型的分类准确率。（2）针对SVM的模型参数使用网格搜索法进行参数搜索的运行时间过长的问题,引入了两种群智能算法GWO（Grey Wolf Optimization）和PSO（Particle Swarm Optimization）,将SVM模型的参数作为群智能算法的输入、分类错误率作为适应度值,经过迭代搜索适应度最小时的参数。在实验数据上的运行结果表明,两种群智能算法的精确率都得到了提升,同时PSO-SVM的精确率要优于GWO-SVM方法,但是前者的算法执行时间更长。（3）针对另外一种对AQI指数进行预测的问题,提出了一种基于时序EMD（Empirical Mode Decomposition）-SVR预测算法,对月平均污染数据集的AQI指数进行预测,结果表示在月平均数据集上SVR模型的预测效果比传统的ARIMA模型要好,而相比于基于特征的SVR算法上的数据集的优势是依赖的数据样本更少。