空气污染问题已经成为当今世界最为严重的环境问题之一,细颗粒物(PM_2.5)对空气的污染及对经济发展和人体健康造成危害尤为严重。本文以北京市为主要研究对象,分析2013年12月2日至2017年10月13日期间的污染物和气象要素等数据,研究北京市污染物浓度的时空分布特征、影响因素和预报方法,以期为应对极端气象灾害的预防措施提供指导,为提升市政危机响应和应急规划提供参考。本文利用相关分析和地统计学方法研究北京市PM_2.5浓度的年际、季节、日间变化趋势和时空分布特征,采用多种提取方法进行特征生成,结合稳定性选择和基于树的选择方法识别重要特征,分别建立LASSO、Adaboost、XGBoost、GA-MLP和支持向量回归（SVR）五个单一预报模型,发展Stacking融合策略建立融合预报模型,并对模型性能进行评估和比较。主要结论如下:（1）北京市主要污染物浓度呈现明显的季节变化和周期性波动趋势,冬春季污染较为严重,夏秋季稍好;不同季节污染物空间分布情况波动较大,南部区域污染较为严重,北部地区空气质量整体较好;空气质量的日变化呈现出一定的季节差异性,PM_2.5浓度基本上呈现“W”型的双峰特征;除本地污染物的排放和集聚效应外,空气质量易受来自西南方向的输运效应的影响。（2）模型评估表明,本文提出的融合模型比单一预报模型拥有更强的泛化能力和预报性能,在主要性能指标上可以较常规模型提升20%左右;相比于严重污染的天气条件,目前所有考虑的模型都在空气质量较好的情况下预报和识别精度更高。（3）张家口市的二氧化氮和一氧化碳浓度对北京市污染物浓度预报起着至关重要的作用;北京市PM₁₀和PM_2.5浓度是影响最为显著的本地要素;极大风速和最大风速对污染物的区域输运效应贡献最大;相比于周边其他城市,张家口市和承德市的空气质量对北京市影响更为显著;积聚效应和输运效应共同主导地区整体空气质量水平,不同要素对研究区域空气质量的影响方式各不相同。本文综合考虑了污染物、气象要素和输运效应的影响,提出通过数据探索、特征提取、特征选择到模型融合的空气质量预报方法,不仅提高了预报精度,同时基于预报模型发现了空气质量的三类主要影响因素,阐述了各要素对空气质量的影响方式,增强了模型的解释性,有利于推动对雾霾天气形成机理的认知和理解。