互联网的迅速发展为我们收集数据提供了极大的方便,不同领域的数据类型多种多样,复杂程度也各不相同,通过观察、分析,我们总能发现,很多数据是有一定规律的,而且大多数具有函数的特征,在对这些数据分析时,我们可以采用函数型数据分析这一重要方法。函数型数据分析的基本思想是把具有函数性质的数据视为一个整体来进行分析和相应的处理,其中,“函数型”是指数据的内在结构,而不是外在的表现形式,这种方法的应用范围是比较广泛的,例如金融、医学、气象学、工业等方面。函数型线性回归模型又是函数型数据分析的一个相当重要的工具,我们可以通过函数型线性回归模型来研究预测变量和响应变量之间的关系。我国经济蓬勃发展,然而我们每天都在呼吸的空气的质量却不容乐观,虽然空气中只存在很少的PM2.5,但是它的危害却是不容忽视的。PM2.5可以在空气中长时间的停留,还可以扩散到远处,是引起大雾天气的原因之一。PM2.5进入人体时会引发呼吸道阻塞或炎症,严重影响人的呼吸功能,造成一些呼吸疾病,对孕妇来说,影响的不仅仅是她自身,还有胎儿的正常发育,因此,研究PM2.5的成因具有极其重要的意义。本文将利用函数型数据分析的方法分析气压、温度、与PM2.5的关系。本文整理了中国2017年PM2.5污染比较严重的49个城市每天的气压、温度、PM2.5的数据,这些数据都属于函数型数据。我们先对这49个城市的气压、温度、PM2.5进行了拟合,使得这些由于采样而得到的离散数据被转化为具有一定规律的函数型数据,然后用一元函数型线性回归模型来研究气压对PM2.5的影响,以及温度对PM2.5的影响,属于单个因素对PM2.5的影响,最后把气压、温度作为两个预测变量,PM2.5作为响应变量,通过多元函数型线性回归模型,研究两个因素即气压和温度对PM2.5的影响,我们重点讨论了基函数的数量不同的情况下,气压,温度两个因素共同作用时对PM2.5的影响。