二氧化氮（NO2）是监测大气质量的重要指标,过高的NO2浓度对人体健康和大气环境有着严重危害。获取高精度高分辨率的近地面NO2浓度对于控制空气质量有着重要意义。本文基于四种机器学习方法利用高分辨率的TROPOMI NO2数据和POMINO-TROPOMI NO2数据对2019年中国地区近地面NO2浓度进行估算,并且对两者的估算结果进行时空特征对比分析。此外,还引入时空信息作为模型的输入,使用估算精度更好的机器学习模型对2019年至2022年近地面NO2浓度实现了高精度高分辨率估算。具体内容和结论如下:（1）模型性能对比结果表明,随机森林和极限随机树性能优于决策树和梯度提升回归树。对于POMINO-TROPOMI NO2数据而言,随机森林和极限随机树的测试集评估结果分别为R~2=0.81（RMSE=3.312μg/m~3）和R~2=0.806（RMSE=3.344μg/m~3）;而对于TROPOMI NO2数据而言,评估结果分别为R~2=0.796（RMSE=3.567μg/m~3）和R~2=0.802（RMSE=3.518μg/m~3）。选择表现最好的极限随机树模型使用两种对流层NO2数据估算了2019年的近地面NO2浓度,估算结果与地面站点有着一致的空间分布特征和较高的相关性,较好地反映了近地面NO2浓度的时空变化特征。（2）分析极限随机树模型的预测能力发现,基于POMINO-TROPOMI NO2数据的预测精度为R~2=0.79,优于TROPOMI NO2数据（R~2=0.69）。POMINO-TROPOMI NO2数据预测的2020年1-4月近地面NO2浓度时空变化结果表明,四个污染热点地区新冠疫情期间地面NO2浓度较2019年同期存在一定程度的下降。（3）为了提高近地面NO2浓度估算精度,引入了地面站点的时空信息作为机器学习的输入变量,并且将更高效的Hist GBM模型和Light GBM模型与极限随机树和随机森林结果进行对比,表明ST-Light GBM模型的估算性能最优,2019年至2021年测试集的R~2分别为0.854、0.861和0.867。基于ST-Light GBM模型估算的2019年至2021年近地面NO2浓度表现出与地面观测较高的一致性,并能够合理地反映2019年至2021年近地面NO2浓度的时间变化和空间分布特征。本研究使用机器学习模型实现了近地面NO2浓度的高精度高分辨率估算,为地面NO2污染时空特征的精细分析提供了数据支撑。