近年来,经济快速发展所造成的空气污染问题日益突出,城市大气污染对人类健康和气候的危害也日趋严峻。因此,有效、准确地预测大气污染物浓度对预防城市大气污染有重要的指导意义。本文提出了两种方法,对北京的PM2.5的浓度进行研究和预测,其中包括了改进的浅层机器学习模型和深度学习模型。由于大气预测是一门数据驱动的科学,传统的时间序列模型难以在大量的历史监测数据中捕捉到有效信息从而导致预测结果不理想。而随着科技的快速发展,机器学习尤其是深度学习技术促进了人工智能的发展,凭借其强大的非线性拟合能力在各类时间序列预测问题中被广泛应用。本文分别以极限学习机、序列到序列模型为基础构建预测模型,具体研究内容如下:（1）在复杂的大气环境下,由于受传感器复杂多变的环境因素的影响所产生的噪声和异常值使得多步预测性能不稳定。为了解决上述问题,引入广义相对熵,并与堆栈极限学习机（S-ELM）相结合,构造快速广义相对熵-堆栈极限学习机（FGC-SELM）模型。实验表明它增强了算法的鲁棒性,提高了预测精度且具有一定的实际意义。（2）与深度学习模型相比,传统的机器学习模型具有一定的局限性。论文提出了一种基于注意力机制的变分空气质量预报模型,引入基于变分自编码的循环神经网络作为Seq2Seq模型的解码器,通过一系列潜在变量能够捕捉到不同时间步输出之间的语义信息,接着将自注意力机制（Self-Attention）合并到解码过程中缓解贝叶斯模型的后验失效问题。实验结果表明该方法可以有效地提高预测精度,和已有方法相比具有一定的性能优势。最后,论文采用北京市实际的大气污染数据,分别对两种预测模型使用MAE、R~2评价指标对预测模型进行评价,并通过与其他算法的结果进行对比证明本研究在预测空气质量方面具有明显的优势。结合最终的预测结果为相关部门加强大气污染防治手段提供了科学合理的理论依据,整体具有一定的应用价值。