PM2.5污染严重威胁人类健康,分析PM2.5浓度的时空变化规律对其污染防控具有重要意义。目前中国PM2.5浓度数据主要来源于地面空气质量监测站点,但监测站点存在着分布稀疏、不均匀等特点,极大地限制了我们对PM2.5污染的精细化研究。反之,卫星遥感反演的气溶胶光学厚度（Aerosol Optical Depth,AOD）具有空间覆盖面广、分辨率高的特点,且AOD与PM2.5浓度之间存在较强的相关关系,因此利用遥感AOD数据间接估算地面PM2.5浓度成为当前PM2.5污染精细化研究的一个有效手段。多角度大气校正（MAIAC）算法反演的1km空间分辨率的AOD产品为我们获得高分辨率的地面PM2.5浓度提供了宝贵机会。但卫星遥感无法在高地表反射或者云雪覆盖场景下进行有效反演,导致遥感AOD的非随机缺失问题一直阻碍着其在PM2.5浓度估算中的应用。此外,当前普遍使用的AOD-PM2.5关系模型中,存在传统机器学习算法受计算负担困扰、新兴机器学习算法高度依赖自变量信息等问题。而且这些研究普遍忽略了对变量时空邻域信息的利用,大大影响了PM2.5浓度的估计精度。为了解决以上问题,本文建立了一种嵌套的高斯过程回归（Gaussian Process Regression,GPR）模型,该模型包含两层GPR模型,且第一层GPR模型的输出是第二层GPR模型的输入。具体地,第一层GPR模型解决了MAIAC AOD数据的非随机缺失问题,完成了AOD缺失估计;第二层GPR模型描述了完整的MAIAC AOD、气象参数和土地利用变量与PM2.5浓度的相关关系,完成了地面PM2.5浓度的高时空分辨率的估算。其次,本文建立GPR模型时考虑了所有变量的时空自相关,并通过结合子抽样和并行运算等方法,有效地解决了GPR模型的计算问题。最后,为了验证所提方法的有效性,本文将所提出的方法应用于2018年1月北京市PM2.5浓度估计,并获得了空间分辨率为1km,时间分辨率为日的时空分布图。该结果为PM2.5污染的区域性防控研究提供了数据支撑,对掌握并分析PM2.5浓度的时空分布及传输规律具有重要意义。