空气质量水平与人们的生产生活息息相关。《2018全球环境绩效指数报告》中显示,中国的环境质量在全球180个国家地区中排名177位,空气污染问题是当下亟待解决的问题之一。为有效开展下一步空气污染治理工作,需要对空气污染数据进行深入研究,探寻其发展趋势和变化特征。科学合理地对空气质量进行评价和分类,为改善城市空气质量提供合理有效的建议。本文研究样本为全国31个省会城市2013年12月1日至2018年12月28日的空气质量数据与天气数据。采用缺失森林填补法对原始数据集进行数据插补,使用统计学习方法从时间维度对数据进行深入研究,建立多种机器学习模型对31个城市空气质量进行评价和分类,并从多角度进行模型性能度量。本文的主要研究工作有:（1）对空气质量整体情况分析并分年度统计首要污染物。发现空气质量指数较高的城市多为北方城市,且季节波动较大。2016年之后,₃O逐渐取代PM_2.5成为一些城市的首要污染物。（2）根据污染物数据对省会城市进行聚类,并对典型城市空气质量进行时间维度分析。使用主成分分析与层次聚类相结合的方法,将31个省会城市划分为3类,并选出典型城市南宁、北京、郑州。自2014年以来,空气质量指数年均值呈下降趋势,全年空气达标天数均在2018年达到最高。北京的AQI月均值在每年的5-7月呈现反弹趋势,这是由于北京市5-7月份₃O均值达到最高值,且为占比最高的首要污染物。AQI均值在周内各天均值并无明显差异,周变量不是影响空气质量指数的关键因素。（3）为避免AQI单指标评价的片面性,本文综合考虑污染物质量浓度、天气以及周期等因素,选取三种机器学习方法对空气质量等级进行分类预测并进行模型优选。从算法预测精度来看,随机森林相比BP神经网络提高了4.18%,GBDT算法相比BP神经网络提高了4.55%,预测精度达到了98.89%;从模型的运行时间来看,随机森林模型相比神经网络减少了61.766s,GBDT模型相比神经网络减少了66.964s;从宏查全率、宏查准率以及宏观F1指标来看,GBDT算法均有较好的表现。可以将GBDT算法有效用于空气质量等级分类。