随着过去几十年全球工业化进程的高速发展,大气污染已被认为是最严重的环境问题之一,其不仅威胁环境安全,也对人类健康产生不利影响,因此日益受到全世界公众和决策者的关注。近年来,随着我国社会经济的蓬勃发展,能源消耗量不断上升,导致我国空气污染事件频发。作为全球最大的发展中国家,我国大部分城市正面临着空气质量差的问题,许多主要城市的空气污染物浓度大大超过了世界卫生组织发布的建议标准。大气污染已被视为影响中国居民健康的第四大威胁。因此,建立有效的空气质量预警模型,指导人们的日常活动,警告和保护居民免受空气污染物的影响已成为当务之急。如今,研究人员已经提供了许多空气质量预警方法,但大多数研究在设计预警模型时忽略了数据预处理和空气质量评价的重要性,导致了预测性能差和评估信息不足等问题。基于目前的研究现状,本文设计了一个由空气污染物浓度预测子模型和空气质量评估子模型结合的新型混合空气质量预警模型。其目的是预测空气主要污染物浓度,并根据预测浓度结果评估空气质量。在预测子模型中,为了挖掘原始数据的内在信息,提出了一种新的混合数据预处理策略,以构建更稳定的污染物浓度序列进行预测。此外,为了提高预测子模型的预测精度和稳定性,采用帝国主义竞争优化算法对极限学习机的初始参数进行设置。对于空气质量评估子模型,本文利用模糊综合评价模型,为城市空气质量提供综合评价结果。本文的主要工作可以总结为以下几点:（1）建立了一个由精准空气污染物浓度预测子模型和有效的空气质量评估子模型组成的混合空气质量早期预警模型。该预警模型基于PM2.5,PM10,NO2和O3这四种主要空气污染物的日平均浓度数值预测结果,然后根据所构建的模糊综合评价模型对空气质量做出评估。该早期预警模型不仅可以提供精准的空气污染物浓度预测,还能够提供完整的空气质量评价信息,可以作为空气质量监管部门防治空气污染的有效工具。（2）由于未经数据处理的原始空气污染物浓度数据具有很强的波动性和随机性,如果将这些数据直接作为模型输入,将对最终预测性能产生不利影响。因此,本文开发了由特征提取和特征选择两部分组成的数据预处理策略。首先,采用先进的变分模态分解技术（VMD）消除空气污染物浓度序列中的负噪声,从原始数据中提取有价值的信息成分,达到数据特征提取的目的。其次,利用偏自相关函数（PACF）和ReliefF算法确定预测子模型的最佳输入,实现预测模型的特征选择。（3）本文采用帝国主义优化算法（ICA）对极限学习机（ELM）的初始参数进行优化,使预测子模型具备更好的泛化能力,并大幅提升空气污染物浓度的预测水平,为构建空气质量预警模型提供了可靠的理论支持。为了验证空气质量预警模型的有效性和适用性,基于上海市和大连市的空气污染物浓度数据进行了大量的仿真实验,并以统计学的角度讨论模型优越性。实验结果表明,所提出的预测子模型比其他对比模型具有更高的精度和更强的稳定性。同时,评估子模型也可以提供充足的空气质量信息,为决策者防治空气污染提供了科学的指导。本文在国内外大量研究成果的基础上,对我们的研究内容进行了模型总结,力求从以下几个角度有所创新:第一,采用PACF和ReliefF算法相结合的数据特征选择方法确定预测模型的最佳输入,弥补了以往根据经验确定输入特征所造成的预测性能不佳的问题。第二,利用VMD技术对原始空气污染物浓度数据进行分解和重构,提取数据的有效特征,减少了原始序列不稳定性和不规则性而产生的不利影响。第三,以往神经网络初始参数大多是随机产生的,这很大程度影响了预测的稳定性。本文所采用的ICA优化算法,为解决预测模型初始参数的优化问题提供了一个新的可行性选择。最后,本文所提出的空气质量预警模型克服了常用的空气质量预警模型仅包含简单的评价方法的缺陷,能够提供更加全面且综合的评价信息。