随着科学技术的不断提高,工业技术也随之不断升级。但由于快速的工业化发展带来了产能过剩、城市资源消耗大、人口过于密集等诸多问题导致了严重的环境污染及空气质量的加剧恶化,严重影响了人们的身体健康及公共危害。而造成空气质量急剧下降的表现结果大多为各种严重的雾霾现象出现。造成雾霾现象的主要大气污染物为PM2.5、PM10、NO2、SO2等,其中主要污染颗粒物为PM2.5。为了提高空气质量,减小空气质量下降对公众的影响,必须更好地了解PM2.5浓度的变化规律及污染程度。采用行之有效的大气PM2.5浓度智能预测方法为人们的出行提供可靠及有效的信息成为当前研究的热点问题。本研究课题依托北京工业大学校园大气监测系统平台,以采集的大气污染颗粒物及气象条件数据为研究样本,运用多模型理论思想与智能预测方法对大气污染物浓度的预测研究。文中主要研究工作和创新点为:一、围绕影响空气质量的污染物浓度预测进行研究针对传统的神经网络的训练时间长、数据需求量大、过拟合及陷入局部最小值等问题分别建立多个不同模型对影响空气质量的污染物浓度进行预测。其多个模型方法分别为长短记忆（LSTM）网络对NO2浓度预测,粒子群与最小二乘支持向量回归（PSO-LSSVR）相结合方法及在线序列极限学习机（OS-ELM）方法对PM2.5浓度预测。研究中充分利用每个模型的优点进行仿真实验,并与传统的神经网络等预测模型进行比较。仿真结果表明,所提方法克服了传统神经网络预测模型训练时间长、样本量大及易陷入局部极小化的缺点,提高了预测污染物浓度的准确性、快速性及实用性。针对不同空气质量等级的大气PM2.5时间序列的浓度变化,提出了一种基于时间序列的交互式多模型（IMM）的大气PM2.5浓度预测方法。该方法利用不同空气质量等级的PM2.5浓度变化数据,分别建立相应空气质量等级的PM2.5浓度时间序列模型,与各个卡尔曼滤波器相结合形成一种混合形式,再通过马尔科夫链实现不同的空气质量等级情况下模型预测的互相切换,进而实现在不同的空气质量等级下准确地预测PM2.5浓度。仿真实验结果显示,所提IMM方法可以克服单一模型在不同的空气质量等级情况下受到影响导致预测不准确的缺点,从而提高了大气PM2.5浓度预测精度。针对大气环境中总是存在着非线性、不确定性和随机性,并且时常伴随着不正确或者未知的先验噪声等问题,提出了一种基于支持向量回归与自适应无迹卡尔曼滤波（SVR-AUKF）相结合的大气PM2.5浓度预测及噪声估计方法。该方法以建立支持向量回归的大气PM2.5浓度预测模型状态方程框架为基础,与自适应无迹卡尔曼滤波方相结合,在不正确或未知的噪声情况下对大气PM2.5浓度进行预测。实验仿真结果显示,所提方法在不正确或未知的噪声情况下都可以较准确地预测大气PM2.5浓度并对其噪声进行自适应估计,提高在未知及不正确的噪声情况下PM2.5浓度预测精度及鲁棒性,使预测更加准确并贴近实际环境。不同环境下建立的最佳模型存在着差异,即使在相同环境下选择的最佳模型,也会随着PM2.5浓度状态变化而变化。有针对性地建立相应的预测模型是准确预测PM2.5浓度的重要研究问题。因此,本论文提出了一种多模型自适应无迹卡尔曼滤波（MMAUKF）方法的大气PM2.5浓度预测。根据一天中不同时间段PM2.5浓度变化,建立三个时间段内的PM2.5浓度预测模型,与各个自适应无迹卡尔曼滤波相结合对相应的时间段内PM2.5浓度进行预测,再利用贝叶斯融合方法对三个时间段的PM2.5浓度预测值进行融合,得到最终一天不同时段PM2.5浓度预测值。仿真实验结果显示,所提方法可以在不同时间段准确地预测PM2.5浓度,并提高预测精度和鲁棒性。二、围绕影响空气质量的污染物浓度扩散进行研究针对某火电厂湿法烟气脱硫排放二氧化硫（SO2）浓度情况,本论文提出了基于污染物排放浓度扩散模拟研究方法。根据其湿法烟气脱硫工艺,建立排出SO2的高斯烟羽扩散模型,并根据周围环境设定条件对SO2浓度扩散进行仿真模拟。仿真模拟结果表明,SO2浓度扩散与风速有直接的影响关系,并较好地掌握了SO2浓度扩散的规律,为该地区的空气污染状况研究及环境监测提供了一定的参考作用。