迅速的工业化导致了严重的空气污染问题,PM2.5颗粒作为城市空气质量监测的典型指标,已引起人们的广泛关注。到目前为止,通过机理机制进行检测的方法建模复杂,基于遥感的模型检测效果不稳定又缺乏灵活性,难以完成PM2.5浓度的细粒度检测。为了解决这类问题,本文提出了一系列用于提高PM2.5细粒度检测准确性和灵活性的解决方案,主要贡献如下:(1)设计了一种通过移动群智进行PM2.5细粒度检测的框架。该框架涉及了数据集的收集与预处理、视觉模型和气象模型的训练以及决策级的模型融合三个方面;(2)实现了基于室外天空图像进行PM2.5细粒度的检测。对收集的室外天空图像进行了暗通道转换,使得天空图像更能反映雾霾水平,并通过搭建残差神经网络进行训练得到基于室外天空图像即可进行PM2.5细粒度检测的视觉模型。(3)实现了基于气象数据进行PM2.5细粒度的检测。使用网页爬虫收集了气象数据和污染数据集,并通过搭建GRU神经网络进行训练得到基于气象数据进行PM2.5细粒度检测的气象模型。(4)在决策级融合了视觉模型和气象模型,进一步提升了PM2.5细粒度检测模型的准确性,解决了单一PM2.5浓度检测模型性能不稳定、鲁棒性差等问题。本文对收集的天空图像和气象数据进行训练得到了视觉模型和气象模型,并对两个检测模型进行了融合实验。实验结果表明:当单独使用视觉模型时,回归误差和混淆矩阵分类精度分别为27.93和0.79;当单独使用气象模型时,回归误差和混淆矩阵分类精度分别为21.51和0.91;融合权重系数为0.45时的融合模型回归误差降至最低为7.86,混淆矩阵分类精度最高为0.98;与经典插值、单一检测模型等5种方法相比,本方案准确性有所提高,更具备灵活性,并且能够解决单一检测模型性能不稳定、鲁棒性差等问题。