随着工业化和城市化进程的加快,空气污染问题越来越突出,对人类的身心健康及日常生活构成了严重的威胁,因此空气质量预测对指导人们生活及环境监管部门制定大气管控措施具有极其重要的现实意义。现有的空气质量预测系统通常基于大气数值模式这种数学工具执行预测,通过数值方法模拟空气污染物在大气中的输送、扩散、清除和气溶胶化学等一系列物理化学过程,这类模式称为空气质量数值模式。然而各区域空气质量数值模式采用的源排放清单和边界条件等参数存在不确定性,使得空气质量数值模式预测的准确性受到限制,因此在数值预测的基础上对空气质量数值模式预测的结果进行偏差修正具有重要的实践意义。而机器学习与大气数值模式不同,它不依赖于建模的系统知识,而是基于大量样本进行训练,是减少模式系统偏差的一种有效途径。PM2.5作为空气中的首要污染物,由于其形成机理和过程比较复杂,具有不确定和不稳定性,在时间和空间上具有非线性,机器学习算法能够对空气污染物相关数据进行非线性拟合。为了提高空气质量数值模式的预测能力,本文旨在利用机器学习技术对空气质量数值模式的偏差进行校正,继而构建一种耦合预测系统对长三角地区的PM2.5进行预测研究。本文研究内容主要包括以下三个部分:第一,利用空气质量数值模式LOTOS-EUROS对2018年长三角地区PM2.5浓度的时空分布进行数值模拟,通过对比模拟结果与地面观测值,验证模式对PM2.5长期特征模拟的合理性并探讨了长三角地区PM2.5的时空分布特征。实验结果表明,LOTOS-EUROS模式能较好地再现长三角地区PM2.5浓度的时空分布特征,监测站点观测值和模拟值的整体相关系数达到0.64。同时,研究结果揭示了长三角地区PM2.5浓度呈现冬高夏低,西北高东南低的特征。第二,利用机器学习算法中的随机森林（RF）、多层感知器（MLP）和长短期记忆（LSTM）分别对长三角地区的PM2.5浓度进行预测,并与LOTOS-EUROS模式的预测性能进行了对比。实验结果表明,在三种机器学习算法中,LSTM的预测精度最高。当预测长度小于12小时（短期预测）,基于LSTM的PM2.5预测效果优于空气质量数值模式LOTOS-EUROS。第三,利用机器学习算法中的RF、MLP和LSTM分别对LOTOS-EUROS模式的PM2.5偏差序列进行训练,然后将其和LOTOS-EUROS模式结合建立一种新的耦合预测系统。运用均方根误差（RMSE）和平均绝对误差（MAE）评价准则对空气质量数值模式、机器学习以及本文提出的耦合模型对PM2.5的预测能力进行对比和分析。实验结果表明,在PM2.5的短期预测中,本文提出的耦合模型的预测性能最优,机器学习可以成为提高空气质量数值模式预测准确性的有效工具,而对于长期预测,该耦合预测方法对于空气质量数值模式预测精度的改进是有限的。