大气PM2.5因对人类健康和自然环境的不良影响而受到广泛关注。对PM2.5浓度的精确监测和制图对研究和防控PM2.5污染具有重要意义。利用统计模型融合地面监测站数据和卫星遥感数据是反演面状PM2.5浓度的重要手段。新一代静止轨道气象卫星葵花8号和风云4号的发射,为PM2.5浓度反演研究进入小时级水平带来了新的契机。但要实现小时级高精度浓度反演,仍然面临两个问题。一是AOD产品存在大量缺失像素,因此基于AOD反演的PM2.5浓度产品也存在大量的缺失,极大地损害了反演结果的空间覆盖率。二是小时级的PM2.5浓度与卫星数据波动幅度更大,时序特征更加复杂,对模型的时序特征学习能力提出了挑战。因此,本文使用卫星原始层顶反射率（Top of Atmosphere Reflectance,TOAR）替代AOD进行反演以提高数据覆盖率,引入时序神经网络并顾及空间特征从而进行高精度的小时级PM2.5浓度反演。研究主要从以下两个方面展开:（1）顾及空间自相关性的长短时记忆网络小时级PM2.5浓度反演模型。现有反演模型使用的AOD数据的高缺失率会导致反演结果的空间覆盖率极低。因此,本研究提出使用卫星原始TOAR替代AOD进行反演的思路。TOAR是生成AOD产品的重要数据,它数据缺失率很低但和PM2.5浓度具有更强的非线性关系。此外,小时级数据的时序波动幅度更大,特征更复杂,现有机器学习模型对其非线性时序特征挖掘不够深入。因此,本研究引入了在序列任务中表现优异的长短时记忆网络来捕捉数据的时序特征,并顾及PM2.5空间自相关性,通过反距离插值法计算PM2.5浓度的空间自相关项,发展了时空联合深度学习模型从而进行高精度高覆盖率的小时级PM2.5浓度反演。在武汉城市圈的实验结果表明该模型能够有效挖掘数据时空特征,得到优于当前主流模型的反演结果。（2）基于随机森林联合门控循环单元的小时级PM2.5浓度反演模型。在站点空间分布不均匀的条件下,空间自相关项的代表性不足,不能深刻反映浓度的非线性空间特征,基于空间自相关项的模型制图结果在无站点处容易失真。对此,本研究进一步提出用随机森林拟合非线性空间特征代替空间自相关项,提高模型的空间特征学习能力,并用门控循环单元替代长短时记忆网络提升模型训练效率,发展了非线性时空深度学习模型。实验结果表明,该模型能够进一步提升模型反演精度和空间站点不均匀分布条件下的制图效果。基于该模型,本研究进行了中国五个重点城市群的小时级PM2.5浓度反演制图和当地居民PM2.5浓度污染暴露水平评估。