随着国家工业化进程的发展,局部区域内空气污染越来越严重。严重的空气污染影响着人类身体健康。空气质量监测站建设成本高昂,导致现有空气质量监测站数量有限,不能全面反映当前空气质量情况。如何在有限的成本范围内更准确、更大范围地设点监测空气质量对人类的生产生活具有重要意义。因此本文提出一种基于复杂网络的空气污染物传播模型,在此模型基础上应用机器学习算法挖掘空气污染物传播的关键路径和关键节点,从而指导监测站的设置来提高空气质量监测数据质量。首先,针对难于获取详尽的污染源信息,导致不能应用机理模型构建污染物传播关系。本文通过对复杂网络和空气污染物传播特性的分析,提出应用复杂网络构建空气污染物传播模型,并应用复杂网络度量方法分析空气污染物传播网络特性。其次,引入了近邻传播聚类(Affinity Propagation,简称AP)算法对空气污染物传播关键路径进行挖掘。在已构建的空气污染物传播复杂网络中,通过源点和汇点的指定提取空气污染物传播路径,然后通过路径相似性对路径进行聚类,进而挖掘出空气污染物传播的关键路径。再次,提出一种空气污染物传播网络节点重要度判定方法——ASRank算法,该算法不仅考虑了站点间污染物传播的方向,同时还考虑了站点间传播的权值。应用该算法对空气污染物传播复杂网络中的关键站点进行挖掘,并给出站点的重要性排序。最后,本文以京津冀区域空气污染物传播关系为实验,研究发现京津冀区域空气污染物传播网络具有复杂网络无标度特性,挖掘的污染物传播关键路径和关键节点具有有效性。