随着信息化成为当今社会发展的大势所趋。智慧城市中的智能空气质量监测系统的理念在于以更快的速度采集和收集与空气质量相关的数据,通过先进的信息技术手段进行处理,以瞬间完成空气质量的监测。利用无人机平台实现智慧城市空气质量监测可以帮助人们从时空上分析污染物的分布特点,且具有采集数据快、监测范围广、不受交通限制等优势。造成城市空气污染的细颗粒物存在一定空间突变性和分布动态性。传统受限的空气质量监测站存在成本高、可移动性差、难以维护等问题,且无法全面的获取到精准监测数据。利用配备摄像机的可移动智能设备实现空气质量监测,以一种代价极小的方式提供一个实时的细粒度的空气污染反馈结果,解决了目前传统基站所面临的主要问题。然而,一些影响空气质量的额外多因素在图像中无法直接体现,需用其他方式融合相关影响因素。为了解决以往空气质量监测方法不够灵活,缺乏移动性以及覆盖区域不明确等问题。本文设计了一种基于无人机视觉的细粒度面向智慧城市的空气颗粒物监测。通过无人机拍摄图像方式,解决了以往方法不够灵活以及区域不明确等问题。本文设计了一个自定义轻量级网络模块,在保证精度几乎没有任何损失的前提下最大限度降低参数量和计算开销,该模块中做了两个分支融入了标准卷积和深度可分离卷积,最后引入残差机制;然后利用自定义轻量级网络模块为核心搭建的轻量级神经网络框架,从原始场景图像中提取大气透射率特征,解决了以往神经网络模型计算量和内存开销大等问题。经过分析验证,多因素信息将密切影响PM2.5与散射系数的关联,为了补充图像特征信息的不足,提高监测精度,本文将PM2.5与散射系数的关系设计为动态模式。通过融合多因素信息设计拟合散射系数与PM2.5浓度值之间的动态关系的动态拟合模型,提升了以往基于图像特征方法的精度局限性。本研究提出的智慧城市空气质量监测,具备实时性、精确性和移动性,符合智慧城市中的智能空气质量监测系统理念,且在实验中得到验证。