当前,我国的空气污染已经成为公众日益关注的环境和社会问题之一。空气污染不仅给生态环境带来了严重负担,还对人类身心健康产生极大负面影响。对空气质量进行准确分析与预测已经成为控制空气污染、改善空气质量的重要措施。以北京多站点空气质量数据为研究对象,针对空气质量数据特点,基于递归图理论,挖掘空气质量影响因素的动态相关性,利用深度学习对空气质量时序数据进行建模研究。具体地,包含以下三个方面:首先,为充分挖掘空气质量影响因素间潜在高维相关信息,评估因素对空气质量的影响程度,提出基于交叉递归图的空气质量多尺度递归分析模型。结构上,采用尺度化预处理划分空气质量数据,利用交叉递归图与递归定量分析为多尺度下空气质量影响因素间的动态相关性提供定性和定量解释。仿真结果表明,该方法能够从多尺度对空气质量影响因素间的依赖性进行可视化与定量分析。其次,考虑到空气质量受到多种因素影响,提出了多时间尺度空气质量数据预测方法。该方法面向单一站点模式,对空气质量数据进行多时间尺度动态递归分析与预测。结构上,采用多时间尺度递归动态分析挖掘影响空气质量的主要因素,为预测提供优质输入条件。进一步,采用深度学习模型对空气质量数据建模。仿真结果表明,对比SVM、DBN与LSTM等模型,该方法具有良好的非线性拟合性能。最后,针对空气质量因素受到时空尺度影响的问题,提出了时空尺度空气质量预测方法。该方法采用多站点协同模式,对空气质量数据进行时空相关分析与建模。结构上,采用时空尺度动态分析挖掘多站点中的因素对空气质量的作用机制。进一步,以深度学习模型为基础,引入教与学优化算法进行参数配置。通过实验仿真,采用多种指标评估与统计分析,验证了该方法的有效性。图20幅;表14个;参61篇。