随着社会经济的不断发展,能源消耗增加,空气质量问题日益突出。空气污染物的形成在时间和空间维度是复杂多变的,空气质量的污染问题威胁着整个社会的正常运转和人类的生存。因此,有效的分析空气污染物(SO2,NO2,CO,O3,PM10,PM2.5)和空气质量指数（AQI）之间的相关关系,精准的预测区域内空气污染物的浓度和空气质量指数的变换趋势,及时确定空气中污染物释放源所在的位置从而减少污染物的排放,这些都具有非凡的现实意义。本论文针对空气质量数据存在预报准确性不高的问题采用了唐山市环保局环境监测站的空气质量的数据进行了实验分析。讨论不同环保局环境监测站的空气质量的关系,探究了空气中污染物和空气质量指数的相关关系,利用反距离权重法对唐山市保局环境监测站周边的空气质量指数进行季节性空间演变的可视化分析。针对现有单一的空气质量预测模型的预测精度不高,并且预测结果存在滞后性的问题,以唐山市的环保局环境监测站的空气质量数据为案例,进行了时间尺度上的预测,提出了一种新的基于数据分解的混合预测模型WD-LSTM-ARMA。该模型相对于单一的预测模型少了52%的均方根误差（RMSE）,减少了47%的平均绝对误差（MAE）,提高了18%的决定系数（R~2）。相对于预测精度较高其它混合模型减少了3%的RMSE,减少了3%的MAE,提高了0.5%R~2。结果表明,本文提出的混合预测模型WD-LSTM-ARMA具有良好的预测性能,能够适用于多种空气质量数据的预测。本论文为解决空气中存在污染物释放源污染环境的问题,采用改进后的传统信息趋向算法（Infotaxis）来快速定位到空气中释放源所在的位置。不仅加强传统信息性算法中奖励函数的利用项和搜索项的平衡关系,而且分别提出适用于二维和三维场景的移动策略,生成了多种信息趋向算法。以搜索任务的平均搜索步数作为评估标准,分别在二维和三维场景中对新生成的信息趋向算法进行充分的仿真实验,分析不同奖励函数和移动策略对搜索性能的影响,分别筛选出二维和三维场景中最优的信息趋向算法。结果表明,本论文提出的奖励函数Sinfotaxis的利用项和搜索项之间的平衡优于Infotaxis中的奖励函数,筛选出的二维场景中的Sinfotaxis＿8和三维场景中Sinfotaxis＿14的表现性能也优于Infotaxis。