我国经济发展与能源消耗量的增加,导致空气污染加剧,其对人群健康和可持续发展的影响日趋严重,因此,污染预报作为防控大气污染的重要举措之一,越来越受到重视。本文利用2014年3月至2017年2月成都市8个环境监测站的PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃ 6种污染物质量浓度资料、空气质量指数（air quality index,AQI）资料以及T639全球中期数值预报模式产品,对成都市AQI及6种污染物浓度特征的时间变化进行了统计分析,并采用机器学习方法-递归特征消除法（Recursive feature elimination,RFE）和随机森林方法,构建了成都市冬季5种（O₃除外,因为其冬季污染较轻）污染物浓度的预报模型,并对模型的预报效果进行了评价。主要研究结果如下:（1）成都市2014-2017年AQI整体呈波动型,其中,春季、夏季、秋季、冬季中度及以上污染天数所占全年天数百分比分别为1.85%、1.03%、1.02%、7.42%,在2015、2016年冬季均出现了严重污染天气,可以看出成都市夏、秋两季污染较轻,冬季中度及以上污染天数出现最多,污染最为严重。成都市2014-2017年PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃ 6种污染物质量浓度,除O₃之外,其余5种污染物变化趋势一致,均在冬季出现最高值,春、夏季节浓度下降;而O₃整体变化趋势与其余5种污染物相反,最高值出现在夏季,冬季污染较轻。（2）由2017年冬季大气污染监测数据对所构建的成都市RFE预报模型检验结果表明,PM_2.5、PM₁₀、SO₂、NO₂、CO 5种污染物准确率为:67%、58%、26%、73%、89%;对随机森林预报模型检验结果表明,PM_2.5、PM₁₀、SO₂、NO₂、CO 5种污染物准确率为:82%、84%、74%、89%、89%,显然,与RFE预报模型相比,随机森林预报模型预报准确率均明显提高,表明具有实用价值。（3）采用2017年冬季大气污染监测数据,基于RFE模型的5种污染物预报值与实测值的均方根误差值分别为:47.58μg/m3、72.10μg/m3、8.87μg/m3、0.59mg/m3、19.84μg/m3;随机森林模型的5种污染物预报值与实测值均方根误差值分别为:23.94μg/m3、20.98μg/m3、2.40μg/m3、0.16mg/m3、8.09μg/m3,两者相比表明,随机森林模型对各污染物浓度的预报效果均优于RFE模型,由此进一步证明随机森林模型预报方法性能良好,可为成都市冬季空气质量业务化预报提供技术支持,也可推广应用到其他城市。