近年来,随着快速的城市化发展,空气污染问题日益严重,极大的影响了人们的日常生活和身体健康。空气质量指数（Air Quality Index）是评价空气质量的一种数值评估指标,它结合了环境质量标准例行监测的几种空气污染物的浓度以及各种污染物对人体健康,生态和环境的影响,能够直观地反映城市空气受污染程度。因此,为了在理论上指导空气污染的治理以及改善居民的生活环境,需要建立能够精确预测未来空气质量指数的模型。本文利用基于融合空间信息的图卷积神经网络模型对上海地区的空气质量指数进行研究与预测。首先,本文根据空气污染物在空间的相关性,建立上海市空气质量监测站的图网络结构。再根据各个空气质量监测站之间的距离关系,计算出该图网络的邻接矩阵,然后考虑各空气质量监测站点的空间位置邻接和空气质量数据的相似性,最终提取空域数据之间的特征。此外,本文还通过门控单元线性卷积模块分析时间序列数据的动态行为。随后,在LSTM与CNN的基础上,本文使用时间门控块与空间门控块结合的方式构建预测模型的基础结构,并在该深度模型中加入了图注意网络结构进一步进行模型的优化改进。在此之上,将空域数据与时域数据进行融合,获得新的融合模型。最后,本文比较了LSTM模型、TGCN模型以及结合融合空间信息的时空模型的预测结果。本文不仅考虑每个空气质量监测站点中空气污染物之间的时间相关性,还结合了周围监测站点对空气质量指数预测带来的影响。实验结果表明,相比于其他模型,本文提出的方法在结果的准确性和模型的泛化能力上都有一定程度上的提升。