当前我国的PM2.5污染现状仍十分严峻,2017年全国PM2.5年均浓度为43μg/m3,距离我国《环境空气质量标准》（GB 3095-2012）中的二级标准35μg/m3,仍有较大的差距。严重的PM2.5污染会加剧人群心脑血管相关疾病的致病率与死亡率,开展相关的人群精细化暴露研究,获得PM2.5浓度暴露响应系数对于环境流行病学研究尤为关键。但由于我国的空气质量监测网络起步较晚,监测点的布设总数较少且很不均匀,就全国范围来看,平均2万平方千米的面积上仅有3个监测点位。理论上而言,一个监测点位的监测浓度仅能表征周边局部范围内的污染状况,而无法表征较大范围的污染暴露水平。土地利用回归（LUR）模型是20世纪90年代自欧洲研究发展出的大气污染物空间分布模拟的有效方法,可以模拟出高分辨率的大气污染物的浓度地图。相对于其他的大气污染物空间分布模拟方法,LUR模型不仅数据获取、建模过程相对简单,且模型的拟合优度高,对于未知区域的污染物浓度预测准确性高,成为近20年来应用最为广泛的大气污染物空间分布模拟方法。但目前的LUR模型大多仍是采用多元线性回归模型（MLR）来建模,而大气污染物空间分布模拟本质上是空间范围内的建模,地理位置对于回归过程的影响是无法也不应该忽略的。因此本研究对LUR模型进行优化,采用地理加权回归模型（GWR）进行空间建模,基于局部加权回归而不是全局回归技术,来提高回归模型的准确性,为开展精细化人群暴露及空气污染流行病学研究提供基础。本研究以江苏省2015年95个环境空气质量监测站点的年均PM2.5浓度作为因变量,以监测点周边的土地利用类型、人口密度、气象条件、道路交通情况以及重点污染源等会影响PM2.5浓度及其空间分布的因素作为自变量,通过相关分析、缓冲区分析、回归分析等方法建立了适应于江苏省PM2.5浓度空间分布模拟的LUR模型,并采用地理加权回归模型（GWR）进行回归建模,以提高模型的拟合优度及预测的准确性,得出高分辨率的PM2.5污染地图。研究结果表明GWR模型不论是在模型的拟合优度还是残差的空间自相关性都要优于MLR模型。GWR-LUR模型的的R2为0.50,MLR-LUR模型的R2为0.33,前者要高出后者约50%。GWR-LUR模型的残差的Moran’s I为0.011,MLR-LUR模型的残差的Moran’s I为0.271,前者的残差呈现空间随机分布,后者呈现一定的空间正相关性,GWR模型也进一步降低了残差的空间自相关性。GWR-LUR模型模拟出的1km分辨率的江苏省PM2.5污染地图有效地识别出污染热点与污染低值处。人口密集的城区及周边污染源较多的的地区污染状况明显比较严重,表明重点污染源仍是江苏省PM2.5污染的主要来源,而人群活动密集的区域不仅会产生PM2.5污染,且不易于污染物的扩散也会形成污染热点区域;水域面积较多的区域如骆马湖、洪泽湖、高邮湖及太湖区域,浓度值就要低许多。同时研究结果发现江苏省2015年的PM2.5污染地图中有近四分之三的区域的浓度值是低于仅由监测点监测浓度进行平均得出的2015年江苏省PM2.5年均浓度57.9μg/m3。表明若简单地用监测点的浓度值进行平均来表明江苏省的污染状况,会在一定程度上夸大江苏省的实际污染状况,这一点在进行环境空气质量考核时是值得进一步考量的。最后,为了对江苏省的PM2.5污染提出更为因地制宜的区域防治防治措施,本研究分别对江苏省的苏南、苏中及苏北地区进行PM2.5污染影响因素相关性分析。研究结果表明苏南地区最为显著的影响因素是重点污染源,因此在进行PM2.5污染防治时,更主要的措施与精力应放在那些污染物排放量较多的工厂企业,积极进行产业升级改造、淘汰落后产能、鼓励工厂企业入园。而影响苏北地区PM2.5污染现状的最为重要的因素是当地的气象条件,表明在苏北地区进行重污染天气预警应急尤为重要,环保部门应加强与气象部门的联合响应,及时发布区域重污染天气预警,组织各地市积极开展区域应急联动。苏中地区因未遴选出显著影响因素,工作重点应放在“散乱污”企业综合整治上,对于城区的及敏感建筑周边的污染加快搬迁整治,争取尽早做到集中安置在城市边缘区的工业园区或工业集聚地等。