21世纪以来，我国的大气污染问题日益加剧，越来越多的人开始关注空气质量，如何更快、更精准地实现城市空气质量的短期预报是当前研究的热点，也是公众的迫切需求。　　本研究基于山东省东营市2010年空气质量自动监测站逐小时数据，对各污染物指标及气象因子进行了统计分析，获得了研究区域的大气污染因子的统计特征，并分析了不同污染物的形成及扩散机理。在此基础上，针对不同污染物的特点，提出了两种预测模型:　　1)基于小波分析与传统时间序列方法的O3小时浓度多步预测模型:采用最大重叠小波分解与重构方法，将影响O3小时浓度的不同时间尺度的物理化学过程分离出来，以提高数据序列的光滑性。选择适当的传统时间序列模型（如ARIMA模型等）来描述不同过程的序列特征，并分别拟合预报。通过在建模中引入24 h季节项，以实现提前24 h一次性预测未来1d的O3逐时浓度。经模拟全年自动预报，预测结果和观测值相比，相关系数达到了0.94，平均相对误差为15％左右，平均绝对误差10μg·m-3左右。随着预测期的延长，预报误差仍处于可接受范围内。同样也可用于峰值预报，日最大O3小时浓度的平均相对预报误差16％。　　2)基于神经网络的多污染物日均值一步预测模型:建立了各污染指标的自回归基准模型，对通过相关性分析初步筛选的指标因子，逐步采用单因子、多因子组合进行神经网络训练，输出的拟合值与自回归基准模型相比较，以此判断哪些因子能够显著提高模型的预测能力，进而确定出最优模型。将最优模型推广应用于多站点自动预报，SO2、PM10、O3的预报相关系数都能达到0.77左右，O3预测效果最好，PM10较差。总体表现出站点的平均浓度越高，预测误差就越大的规律。与传统的全因子模型法做对比，筛选因子确定最优模型法可以大大提高实际预报的精度。