空气污染是当前困扰我国发展的一大难题,对生产生活造成了诸多不便,并且严重影响人们的身心健康。精准的空气质量预测能够让人们提前做好防范措施,减少有害天气对人体的危害,推动环境保护部门更高效的完成空气污染治理工作,因此空气质量预测是一项具有重要现实意义的课题。主要研究内容如下:首先,对空气污染浓度具有密切关联的气象因素进行了分析探究。对河北省内近年的气温、气压、湿度、降水、风速进行相关性分析,并将历年的气象数据和空气质量指数（Air Quality Index,AQI）数据进行对比分析,验证各个气象因素和AQI之间的相关性,选择显著的气象因素最终输入空气质量预测模型。其次,针对时间维度上的预测模型选择BP神经网络模型,并提出一种改进的粒子群算法对其优化提升准确度。改进的粒子群算法以两段非线性递减曲线改变惯性权重,学习因子以正切函数进行动态变化,并保持自适应变异,能很好的避免粒子陷入局部极值,保证粒子的快速收敛。通过实验分析验证,基于改进粒子群算法优化的BP神经网络模型具有精度高、稳定性好等优点。最后,空间维度上的预测模型选择Kriging插值模型,并用改进的遗传模拟退火算法对其优化提升插值精度。算法采用sigmoid交叉变异曲线和精英保留策略使优秀个体得以最大化保留,Metropolis准则在面对较差的新个体时,进行基因逆转操作增加个体多样性。通过实验分析验证,改进遗传模拟退火算法优化的Kriging模型具有更快的收敛速度和更高的插值精度。根据空气质量信息与气象信息能够预测AQI分布,预测结果具有直观、准确的优点。