情报分析是情报工作的一个重要环节,它是以目标为导向,以信息为基础,以信息的形式进行分析。通过技术手段对数据进行分析,以获取新知识,并对所获取的知识进行归纳、关联、演绎、推理、整合等,形成新的、更有价值的信息。大数据时代的到来使得数据越来越海量化、碎片化,传统的情报分析方法已经无法充分挖掘和利用多源、多维度的海量数据,而随着人工智能的发展,基于深度学习和大数据分析技术的应用日益广泛,在信息采集、存贮、分析乃至决策等方面为情报服务工作提供全流程技术支持。本文以空气污染物浓度预测为基础对空气污染的防治进行研究,同时也是深度学习技术在情报分析工作中的应用。习近平总书记提出“绿水青山就是金山银山”的生态文明建设目标,社会各界对环境污染防治意识不断提升。其中空气污染是最重要且与每个人都息息相关的问题之一,为了对空气污染提出有效的防治措施,对空气污染物浓度的变化趋势进行准确预测是关键的前提。本文在充分调研国内外空气污染预测方法以及空气污染治理策略研究的基础上,考虑到空气污染物浓度数据变化趋势的前后关联性,搭建了适用于处理时间序列问题的长短期记忆（long short-term memory,LSTM）神经网络预测模型,并引入注意力机制,设计并实现了基于注意力机制LSTM的空气污染物预测模型,接着选取了山西省太原市几个主要观测点采集的空气污染物浓度数据与相关气象数据进行实验,对模型的可行性和预测的准确性进行验证,最后进行了基于污染物浓度预测结果的空气污染的防治研究。论文的主要内容包括:（1）了解深度学习技术在情报工作领域的应用,国内外空气污染预测方法的发展历程,以及了解国内外对空气污染的防治策略,从各个角度、不同主题方面对研究动态进行梳理,以确定预测模型与防治方向。（2）对观测点所采集到的历史污染物数据以及气象监测数据进行数据预处理,搭建基于LSTM的空气污染预测模型,并引入注意力机制对模型性能进行提升,设计并形成基于注意力机制的LSTM空气污染物浓度预测模型,并对预测结果进行分析。（3）以国家大气标准对六种主要污染物在不同区域范围内的浓度限值为基础,根据对污染物浓度变化趋势的预测,制定相应的空气污染预防与治理措施。本文的研究工作在深度学习技术的支撑下围绕环境治理中的核心问题空气污染治理开展,构建引入注意力机制的LSTM模型对空气污染物浓度进行预测,并根据预测结果进行防治研究。本文的成果将丰富空气污染物治理的理论研究,提高空气污染的治理效率,为相关部门开展空气污染物防治工作提供参考。