自第二次工业革命以来,工业化社会在全球范围内不断发展,发达的工业在提升整个社会的生产力水平,改善人民整体生活条件的同时,也带来了许多不可忽视的环境问题。大大小小的工厂被兴建,在生产过程中,许多污染物进入到自然环境中,随着家用汽车的普及,汽车尾气的排放问题逐步加重,与此同时,低碳生活和绿色出行的理念仍未成为社会共识,而伴随空气污染问题对人类社会负面影响的日益加重,空气质量指数已成为日常天气预报中的人们所关注的重要内容之一,它不仅影响着人们的生产生活,同时也关系着每个人的身体健康。所以,相关空气质量指数预测研究的重要性便不言而喻。历来,空气质量指数的预测研究方法主要被分为三类:一、时间序列分析;二、回归分析;三、神经网络分析。时间序列分析针对空气质量指数(Air Quality Index,AQI)随时间变化的特征进行分析;回归分析在AQI与影响因子间建立联系来定量分析;神经网络分析则是将相关数据作为输入值,构建网络拓扑结构,将AQI作为预测对象,逼近现实情况。本文采用时间序列分析理论,从分形理论的视角出发,分析空气质量指数时间序列的分形特征,进而建立基于分形插值的预测模型。在分析基础模型的预测误差后,首先通过对分形插值方法做出适当改进从而提高分形插值模型的预测效能,并和ARIMA(Autoregressive Integrated Moving Average model)、支持向量回归(Support Vector Regression,SVR)、反向传播(Back-propagation,BP)神经网络等模型对上海市的日空气质量指数的预测误差对比,实证结果证明,将分形插值应用在AQI预测是很有效的。另外,本文将分形插值方法与神经网络算法结合,构建基于分形插值的混合预测模型,通过分析将模型运用在两种预测场景中取得的预测结果,说明了该混合预测模型在空气质量预测上所具有出色的预测性能。