空气污染导致环境空气质量的恶化,威胁人类的身心健康和阻碍区域经济的发展,已引起政府、公众及相关学者的广泛关注。近年来,随着工业化和城市化的发展,矿物化石能源的巨大消耗使得空气污染日益加剧。而哈尔滨市作为典型的重工业城市,空气污染问题尤为严重,尤其是在冬季雾霾天气发生时。本研究选取哈尔滨市为研究区域,收集了2016年1月1日至2020年12月31日期间哈尔滨市的空气质量指数（AQI）、六种主要空气污染物浓度(PM2.5、PM10、SO2、NO2、CO及O3)及四种主要气象因素（降水量、平均气温、平均风速、平均相对湿度）的相关数据。结合预处理后的数据,并基于统计分析理论方法及人工神经网络,对哈尔滨市空气质量展开如下研究:（1）探索哈尔滨市空气质量时间变化规律。基于哈尔滨市空气质量相关数据,分别从年度、月度及是否处于供暖期三个方面进行实证分析,探索空气质量时间变化规律。结果表明:首先,哈尔滨市在近五年来空气质量没有得到有效的改善;其次,哈尔滨市的空气质量呈现出明显的季节性变化规律,冬季空气污染严重,春秋污染程度较轻,而夏季空气质量最优;最后,哈尔滨市供暖期的空气质量明显较非供暖期差。（2）探索哈尔滨市空气质量的影响因素。通过皮尔逊相关系数,探索AQI与六种主要空气污染物的相关性,结果表明:空气质量与PM2.5及PM10呈现正向非常相关性,与SO2、CO2、CO呈现正向强相关性,与O3呈现极弱相关性;空气质量与气象因素呈现负向弱相关性,在温度较高、雨水较多、风速较大及空中相对湿度较高时,空气污染情况有所改善。（3）建立哈尔滨市空气质量人工神经网络预测模型。以上文中得到的与空气质量相关性较高的因素PM2.5、PM10、SO2、NO2和CO浓度及AQI为数据集,分别建立误差反向传播（Back Propagation,BP）神经网络、长短期记忆（Long Short Term Memory Network,LSTM）神经网络及通过粒子群算法（Particle Swarm Optimization,PSO）优化超参数的长短期记忆（PSO-LSTM）神经网络预测模型,以AQI、PM2.5、PM10、SO2、NO2和CO为模型输入数据,AQI为输出数据。以平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、均方根误差（RMSE）及可决定系数（R~2）为模型评价指标,结果表明三种模型均可有效预测空气质量,且PSO-LSTM神经网络模型预测效果优于BP神经网络模型及LSTM神经网络模型。做好空气质量分析及预测有利于对城市空气质量进行全面的把控。空气质量的时间变化规律分析及影响因素分析,对于城市空气污染物的管理和控制具有重要的指导意义。对空气质量预测不仅有利于公众提前把握空气质量信息,为其是否进行户外活动提供参考,同时也能为政府制定改善空气质量的政策提供可行的建议和有效的帮助。因此,本文对哈尔滨市的空气质量分析及预测将对城市的空气质量改善及公众的生活质量提升都有重要的理论意义与实用价值。