由大量体积小、廉价和可移动的微型测控站和少量昂贵、体积大和精度高的国家测控站构建的网格化空气污染物监测系统为空气污染治理提供了有力支撑。但大量的微型测控站监测数据存在交叉干扰、漂移异常、时间依赖性以及不确定性的挑战,是数据分析和挖掘面临的严重壁垒。针对上述挑战,本文从空气质量监测与信号处理和深度学习交叉融合的角度,开展网格化空气质量监测数据校准方法研究,具体研究内容如下:（1）针对监测的不同气体属性之间的交叉干扰、时间维度上的依赖性以及传感器数据漂移异常问题,提出了基于时间卷积网络以及门控循环单元的网格化污染物数据校准模型。首先通过时间卷积网络提取各项污染物之间的交叉干扰特征,并通过门控循环单元学习监测数据的时间依赖性特征以及数据漂移现象,最终通过融合模块的训练得到校准结果。校准实验以及消融实验的结果证明了校准模型以及模型中各个模块的有效性。（2）针对受自然现象影响的不确定性数据导致的校准模型误差异常问题,提出了基于模态分解和门控循环单元的数据校准模型。首先对具有不确定性和随机性的空气污染数据进行不确定性度量,通过模态分解降低原始数据的不平稳性。然后将分解得到的具有不同特征的分量以多通道的形式分别进行特征提取,最后对学习到的特征进行叠加输入到门控循环单元中,得到经过不确定性度量之后的校准结果。校准实验证明了模态分解在对不平稳数据进行预处理方面的重要性。