近年来随着我国社会经济的快速发展和城市化进程的加快,大气环境问题日益突出,大气污染治理是迫在眉睫的现实需求,利用数值模式预测大气污染物浓度是制定治理措施的重要技术支撑。随着治理力度的持续推进,精细化管理对污染物浓度模拟的准确性提出了越来越高的要求。本论文的研究基于WRF-Chem大气化学模式模拟结果,结合北京市大气污染物浓度监测资料,通过数据清洗、特征选择、超参数优化等过程构建了XGBoost算法,随后基于构建的算法对北京市两种主要的污染物PM2.5和O3浓度进行优化模拟研究。主要研究结论如下:1)XGBoost算法在分站点方式下能够较好的捕捉大气污染物浓度时空变化规律,优化后污染物浓度与观测浓度之间的相关系数均在0.9以上,对WRF-Chem模式模拟结果有较大的提升,并且相比郊区,XGBoost算法在城区展现出更好的优化效果,相关系数达0.95以上;在分时间方式下的优化结果稍逊于分站点方式,但也表现了较好的效果。2)基于SHAP值理论对PM2.5和O3浓度进行特征总体分析表明,时序和周期特征、气溶胶钠离子浓度和硝酸盐浓度是影响XGBoost算法对PM2.5浓度预测的重要特征因素,而对O3浓度影响最主要的则是温度。将PM2.5和O3浓度划分为三个等级,每个等级浓度挑选若干样本进行单样本分析表明,在低污染物浓度下,大部分特征要素对污染物浓度预测产生负效益贡献,而高浓度下大部分特征要素产生正效益贡献,不同特征的贡献值差异较大且分布不均衡,浓度预测结果基本由少数几个特征贡献较大的特征数据构成,同一个特征对于不同浓度预测结果的特征贡献值也存在差异。3)利用XGBoost算法对北京地区每个网格点污染物要素进行浓度优化,建立一套空间分辨率为6km,时间分辨率为1h,覆盖整个北京市的大气污染物浓度数据集,从该数据集中挑选污染物高浓度时刻以及季节平均进行区域化的可视化分析,结果表明,优化后的污染物浓度空间分布比WRF-Chem模式模拟更接近观测浓度插值空间分布,并且在季节性优化中,算法对PM2.5的优化效果优于对O3的优化效果。4)本研究基于XGBoost算法对大气污染物浓度的优化模拟研究,建立了半自动大气污染物优化模拟系统,且在Windows平台下调试和运行成功。此外,通过和SVR,LR,DTR以及RF算法比较得出,XGBoost算法对PM2.5和O3浓度的优化效果优于其他统计模型算法。本论文的研究为深入分析XGBoost及其他人工智能算法模型对大气污染物的优化模拟,从原理和特征定量影响因素等方面提供了一种新的研究思路。