近几年,环境污染问题成为人们关注的焦点,尤其是雾霾问题,时刻影响着人们的身体健康和生活质量。因此,建立空气污染预警系统成为重要需求,探索PM_2.5的影响因素并掌握PM_2.5的变化规律成为国内为研究者的研究重点。本文区别于传统基于单源单质数据进行PM_2.5预测,提出基于多源异构数据融合进行空气质量预测的方法,建立了基于改进序列最小优化（Sequential Minimal Optimization,SMO）的SVR空气质量预测模型,并通过实验仿真与粒子群优化算法（Particle Swarm Optimization,PSO）优化的支持向量机和遗传算法（Genetic Algorithm,GA）优化的支持向量机模型进行对比,验证了本文模型的优越性。本文的主要研究内容包括以下几个方面:（1）PM_2.5相关的图像特征提取。分析大气中PM_2.5对图像成像的影响,通过研究数字图像原理及阅读相关文献,从图像的变换特征、代数特征、纹理特征和颜色特征多方面考虑,提取了空间对比度、暗通道强度和HIS颜色空间差异（3个维度）共5个特征,并验证图像特征与PM_2.5浓度间的相关性。（2）基于图像的空气质量预测方法。基于图像进行PM_2.5预测是近几年发展起来的PM_2.5预测技术领域。为了验证基于图像进行PM_2.5预测的可行性,本文在提取图像特征的基础上建立了一种列生成算法优化的混合核支持向量回归机空气质量预测模型。该模型基于线性核函数、多项式核函数和高斯径向基核函数构建混合核矩阵,利用列生成算法从核矩阵中选择列优化模型参数,建立预测模型。（3）多源异构数据融合技术。多源异构数据融是将来自多个数据来源、结构不同的数据进行融合的数据处理技术,通过多源异构数据融合可以实现多源异构数据的信息融合,信息的互补能增加数据的置信度、提高可靠性、降低不确定性。基于多源异构数据建立的回归预测模型能获得更加综合的估计和判决。研究基于多核学习方法的多源异构数据融合,多核学习方法可以根据数据类型使用不同核函数将不同的特征映射到同一特征空间,实现异构数据的特征空间融合,在融合特征空间的上层添加回归模型实现预测功能。（4）建立改进SMO优化的多核SVR预测模型。将SVR与多核扩展方法结合,建立基于构造多核扩展核函数的SVR模型。为了兼顾不同结构数据,选择了不同的RBF核函数构造多核扩展核,通过构建多核扩展核矩阵的方式,将普通SVR模型推广为能基于多源异构数据进行预测的回归模型。多核扩展核矩阵保留了原核矩阵所有信息,避免信息丢失。最后采用改进的SMO算法进行参数优化,使改进的模型收敛速度明显增加。