近年来,环境问题日益严重,雾霾污染问题对环境、人类健康和社会经济都有严重的不利影响,国家和政府为了治理雾霾污染,已经采取了很多具体措施并取得一定成效,但是雾霾污染问题依然严重,传统的治理措施已经无法起到良好的效果。而面对雾霾问题,希望通过高效的算法模型,在提前对气候质量进行检测,及时预测并了解空气污染情况,了解通过提供预警和指导来保护公众健康,是处理雾霾问题的一项重要手段。环境保护工作中发展更敏捷、更智能的监测手段也变得越来越有必要。本文将以北京市为例,采取北京市5年的气象数据以及大气污染数据,目的为预测大气污染PM2.5含量,提出了一种基于时序信号数据处理与深度学习神经网络算法相结合的混合模型,应用于本课题中的PM2.5预测与应用中。主要从雾霾大数据分解为多模态时序数据再进行深度学习,将其结果集成并进行预测,提高了模型预测精度。本文主要研究工作如下所示:（1）介绍了本课题的研究背景和研究现状,根据国内外等时序数据预测的研究现状,归纳了现有的预测方法,总结出现有预测方法的不足和进步空间,并提出本文的主要研究和创新之处。（2）根据本研究课题特性,对时序模型做了分类概述,提出一种基于集成经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与门控循环单元神经网络（Gated Recurrent Unit,GRU）相结合的（EEMD-GRU）混合算法模型,算法将序列分为两部分来处理,其中EEMD算法来进行序列分解,由单模态分解为多模态,挖掘数据内在特征使得模型进行多模态特征学习,再用训练数据集建立GRU神经网络,对PM2.5序列分解的子模式以及气象数据长期依赖特征来建模学习,最后采用逆EEMD运算对各子模式预测值进行集成得到最终输出值。（3）所提算法应用到本文研究对象,北京市气象数据及大气污染数据中去,通过设立五个对比实验,分别做实验分析,来对比评估不同模型的学习情况。（4）根据本文提出的预测算法,设计并实现了PM2.5预测系统,并对系统做了需求分析和数据库设计,详细描述了系统框架结构,最后设计并实现了系统主要功能模块。