随着社会经济的迅速发展,工业化、城市化进程不断加快,日益严峻的空气污染成为社会关心的热点问题。空气污染不仅对正常的生产生活造成重大影响,而且长期暴露在高浓度空气污染中还会对身体健康带来严重危害。针对现有空气污染物浓度预测研究中未能充分挖掘利用污染物浓度时间序列和上下文因素的影响与作用,论文提出了一种门控循环单元和深度置信网络集成模型用于空气质量预测,有效提高多种污染物预测精度,对提升城市空气质量管理水平和空气污染治理具有重要意义。论文主要研究内容如下:（1）收集空气污染物浓度数据与气象数据,对不同来源的异构数据进行处理和融合,并进行缺失和异常数据处理。调整特征因素,确定污染物浓度上下文因素,形成论文所使用的数据集。对融合后的数据集进行分析,针对污染物时间序列相关性进行研究,分析污染物浓度时间回溯步数对预测结果的影响,并对污染物的上下文因素相关性系数进行计算,剖析不同上下文因素与污染物浓度变化的关联程度。（2）提出了一种基于门控循环单元和深度置信网络的集成模型,选择空气污染物类别、采集时间、气象状况等作为上下文因素送入基学习器进行训练,通过基学习器提取时间序列特征和上下文特征,再利用集成模型的元学习器对提取的特征再次学习,充分利用时间序列数据与上下文因素对污染物浓度进行预测。在模型训练评估阶段对模型参数进行优化,提升模型整体预测准确度。（3）通过实验,利用提出的模型对不同季节、不同时间尺度、不同城市的六种主要污染物进行预测,并与多种预测模型的预测结果进行对比。实验的结果表明,论文所提出模型的预测结果在各项评价指标中误差最低,拟合效果最好,验证了模型的准确性、灵活性和健壮性。论文提出的模型充分利用了空气污染物的时间序列特征和上下文因素特征完成对多时间尺度多污染物的准确预测,为空气污染物浓度预测提供了一种可行的方法,推动了空气质量预测技术向全面、精准的方向发展,在空气污染防控和相关政策制定工作中具有重要的理论意义和实际应用价值。