近年来,经济快速发展所造成的空气污染问题日益突出,市民的健康与日常生活受到的影响也日益加重。因此,环保意识不断提升的人们对于改善空气质量的呼声愈加强烈。如何兼顾好经济发展与保护环境的双重要素,预防严重污染空气质量事件发生,采取科学有效的空气质量监控与预测成为了一项重要课题,而及时获取的准确、全面的未来大气污染变化的信息是该项课题的关键。有效的空气质量预报信息可以帮助人们采取预防措施与计划合理的出行安排,十分有利于空气污染防控工作的开展与城市环境规划建设,对人们的生产生活与城市发展有着重要的指导意义。随着科技的快速发展,新兴的机器学习技术大大促进了人工智能的进展。如今,机器学习已经渗透到全社会各个领域,机器学习成为了多领域科研人员解决疑难问题的重要手段。本文以群智能优化算法和机器学习中的支持向量机、BP神经网络、SARIMA等模型相结合形成了新的模型,对太原市2014年至2019年间的空气污染物监测数据进行研究,主要研究内容如下:(1)将改进的粒子群算法进行优化并与野草算法相结合,对BP神经网络的初始权值和阈值进行优化,构造出IWO-IPSO-BP分类模型。实验结果表明,此模型对空气质量的分类精度高,具有一定的实际意义。(2)针对支持向量机的参数c和g对模型性能的影响,文章将灰狼优化算法和差分进化算法相结合对其进行优化,构建出GWO-DE-SVM分类模型。实验结果表明,此模型的分类效果较好,且此模型与上一章节的IWO-IPSO-BP分类模型相比,具有用时短的特点,因此,此模型具有更高的可行性。(3)由于单一的预测模型均有其自身条件的限制,在对数据序列进行预测时,可能由于不能够全面地掌握数据信息而影响到预测结果,使得预测精度不高。因此本文提出的基于SARIMA模型和SVR模型相结合的SARIMA-SVR组合预测模型,是综合利用两种单一模型所提供的信息,尽可能地提高了预测精度。实验结果表明,SARIMA-SVR组合预测模型的预测精度明显优于单一预测模型的精度,减少了预测的系统误差,显著改进了预测效果。本文提出的三个模型:IWO-IPSO-BP,GWO-DE-SVM和SARIMA-SVR,用于太原市空气质量的分类和预测,为空气质量分类和预测提供了新方法,为大气污染防治提供了科学合理的理论依据。