深度学习是机器学习领域的一个重要分支,自提出以来因线性问题和梯度消失等局限性数次陷入停滞。近年来,随着梯度消失等问题的有效解决,深度学习在学术和工业界得到广泛的研究和应用,例如数据挖掘、大气污染物评估和时序预测等领域。目前,克里金插值法已经被广泛应用于区域空气质量状况评估,但是,它最初被开发出来是用于地质统计的,其核心半方差函数的定义基于地理学第一定律,大气污染物传输的物理规律不能被表示,待插值指标和相关因素的历史时序依赖性也未被考虑。因此,原始克里金法在被应用于区域大气污染物空间插值,尤其是复杂环境下的大气污染物分布估计时,效果不佳。本文针对时序型大气污染空间插值问题的深度学习理论进行了研究,利用深度学习模型,通过改进克里金插值的内核方法,对克里金插值技术进行优化,使其更适用于时序大气污染物的空间分布研究。具体工作如下:（1）针对时序型区域大气污染的空间插值效果不佳的问题。首先,分析区域大气污染物的扩散原理和传输规律;然后,选择目标污染物,并依次对研究区内61个站点的目标污染物进行克里金插值,得到原始克里金的插值结果序列;最后,计算观测值与插值结果的误差序列。（2）针对传统克里金插值优化方法效果不佳的问题。首先,分析其原因是仅对克里金插值结果进行优化而未改进其核心算法,并且对目标污染物的相关因素考虑不够全面;然后,分析目标污染物与气象因子以及其他污染物的相关性,选定相关因素,连同坐标、高程和时间等数据作为输入,训练一个长短期记忆（LSTM）模型,用以模拟高斯扩散模型;最后,使用LSTM替换克里金插值过程中的半方差函数拟合方法,得到LSTM-Kriging模型,该模型具备了表现大气扩散物理机理的能力。（3）采用中国桂林市61个大气监测站点的时序型气象和污染物数据对LSTM-Kriging模型的有效性进行验证。结果表明,LSTM-Kriging模型对于桂林地区PM2.5浓度的插值,均方根误差（RMSE）为13.4202,比传统优化方法降低了 22.27%。与基于差分整合移动平均自回归模型（ARIMA）、土地利用回归模型（LUR）、门控循环单元（GRU）、基于注意力机制的并行网络（APNet）、以及基于注意力机制的LSTM密集连接卷积网络（DCCN-ALSTM）的优化模型比较,LSTM-Kriging模型的平均绝对误差（MAE）和对称平均绝对百分比误差（SMAPE）分别为12.1988和0.1927%。插值准确度优于作为参考的地理统计方法优化模型、机器学习优化模型以及其他深度学习优化模型。本文提出了一种针对时序型大气污染空间插值的克里金优化方法。该方法利用时序深度学习理论和大气污染的高斯扩散理论对半方差函数进行了优化,并且完整地保留了克里金插值结构。实验结果表明,本文所提出的模型在时序型大气污染的空间插值中表现良好。这种对半方差函数的进行改进的方法,可以为克里金在其他领域的适用性研究提供参考。