空气质量的好坏与人们的日常生活和身体健康密切相关。本文通过网络等各种渠道收集整理了我国31个主要城市近四年来的日空气质量指数(AQI),借助它们来对这些城市的空气质量状况进行聚类分析。然后以乌鲁木齐为代表,依据其AQI和相关气象数据建立时间序列模型、多元线性回归模型和BP神经网络模型,并进行预测和评价,得到若干有意义的结论。本文主要工作如下:首先,计算了我国31个主要城市2013年10月至2017年10月AQI的季度季节指数及月度季节指数,并对其进行了描述性统计分析。再根据31个城市的季度平均指数及月度平均指数分别应用层次聚类法和K-Means聚类法进行聚类分析。在此基础上,应用改进的K-Means聚类法:PAM聚类法对31个城市AQI的季度平均指数进行聚类,聚类结果显示分类的准确率达到97.01%。其次,通过综合比较分析,本文以乌鲁木齐为代表进行研究。选取乌鲁木齐2013年10月28日至2017年10月31日数据为训练集,2017年11月1日至2017年12月31日数据为预测集。应用训练集,对单变量的AQI序列进行建模,构建时间序列模型ARMA(2,2)。再次,在借鉴其他学者研究方法的基础上,从AQI与气象因子相关的角度出发,收集可能影响AQI的相关气象数据,结合训练集构建多元线性回归模型及BP神经网络模型。最后,针对预测集,利用上面建立的ARMA(2,2)、多元线性回归和BP神经网络三个模型给出AQI的预测值,再分别计算三个模型的对应的标准化均方误差(NMSE),通过对比选择最优模型。本文研究结果显示:BP神经网络模型对AQI的预测结果相对最为精确可靠。