随着我国经济的高速发展，环境问题日益凸显，近几年空气污染尤其PM2.5污染集中暴发，PM2.5污染已经对城市环境空气质量、能见度以及城市居民身体健康等造成了巨大影响和危害，PM2.5质量浓度逐渐成为衡量空气质量的一个重要指标。地面监测站点数量有限，且往往分布不均匀，难以掌握区域尺度的PM2.5分布状况，而卫星遥感能够实现对空气污染的长期、实时观测，有助于获取更宏观、更全面、更同步的空气污染情况。卫星遥感反演AOD与PM2.5质量浓度存在相关关系，但两者关系在空间上具有异质性，地理加权回归模型(GeographicallyWeighted Regression，GWR)在解决空间异质性方面已经有很多应用，本文基于GWR方法对PM2.5质量浓度进行了以下研究:　　首先，对AOD卫星遥感数据进行垂直订正和湿度订正，然后对解释变量进行共线性检验，计算方差膨胀因子VIF值，VIF≥7.5的解释变量作为冗余变量去除。未进行共线性检验和进行共线性检验的GWR模型有关参数对比表明两者模型性能接近，但由于前者存在共线性问题，会造成模型不可靠，而后者则根据更为严格的共线性判断标准消除了共线性问题，模型较前者更为可靠，表明在构建GWR模型前，进行共线性检验的必要性。又基于构建的GWR模型，对北京市PM2.5质量浓度空间分布进行遥感估算，估算结果同地面观测相吻合，表明GWR模型在PM2.5污染监测方面具有很大的应用潜力，并有望成为有效手段。　　其次，本文利用SRVSRR算法反演2013年10月12日浙江省上空AOD，并利用GWR模型研究利用此算法反演AOD在PM2.5质量浓度遥感监测方面的可行性，并同MODIS AOD进行对比。结果表明，利用SRVSRR算法反演AOD在GWR模型性能方面要优于MODIS AOD，且PM2.5质量浓度遥感估算的结果同地面观测相吻合，表明利用SRVSRR算法反演AOD进行PM2.5遥感监测是可行的，且优于MODIS AOD数据。又由于前者空间分辨率为1km，在PM2.5质量浓度遥感估算方面能够提供更加丰富的AOD空间分布信息，对PM2.5质量浓度的空间估算和监测能够提供更加详细的估算结果。　　最后，本文对比GWR模型和随机森林模型在PM2.5质量浓度遥感分析方面性能，对比结果表明GWR模型要优于随机森林回归模型，主要是由于PM2.5质量浓度与AOD的相关关系存在空间异质性，随机森林回归模型为全局非线性回归模型，无法解决空间异质性，从而模型性能偏差，表明空间异质性问题是在构建PM2.5质量浓度同AOD之间统计模型中是一个必须考虑且十分重要的问题。