自二十一世纪以来,随着国家的富强,人民对生活质量要求的进一步提升,国内汽车保有量快提升,随之而来的便是不可再生能源的大量消耗以及大气环境的严重污染,。面对日益严重的汽车排气的污染,减排以及控制排放是首先要考虑的问题,那么在不影响汽车正常的驾驶性能的前提下,降低排放污染也是努力的方向。本文使用Python语言编程,通过排气污染物检测系统进行整车台架试验,采集车辆的实时运行状态参数以及排放污染物数据,即速度（v）,功率（P）,油耗（F）,发动机转速（r）,负荷值（L）以及进气量（AI）;一氧化碳（CO）,二氧化碳（CO2）,一氧化氮（NO）,二氧化氮（NO2）,氧气（O2）以及碳氢化合物（HC）的排放量。将采集的原始数据运用Python工具进行预处理,用处理后的数据输入模型进行模型训练。以速度,功率,油耗,发动机转速,负荷值以及进气量为自变量即输入,一氧化碳,二氧化碳,一氧化氮,二氧化氮,氧气以及碳氢化合物的排放量为因变量分别构建神经网络预测模型（MLP）,卷积神经网络预测模型（CNN）以及长短时记忆预测模型（LSTM）对排放污染物进行实时预测,并对模型的误差进行计算;使用均方根误差（MAE）和平均绝对误差（RMSE）两个综合指标,来进行对预测效果进行评价。考虑到模型对各种车型的适用性,换用不同车型进行验证试验,采集验证数据集,将验证数据集输入模型用来验证模型的广泛适用性。通过对各模型的误差验证结果分析可看出,各模型对NO污染物的预测效果均为最佳,对CO污染物的预测效果相对是最差的而对于HC的预测误差大小处于两者之间,也比较稳定这是由于NO,CO以及HC的生成机理以及生成的影响因素不同。影响CO排放量的因素比较复杂,且具有很强的不确定性以及不稳定性;而影响NO排放量的因素却比较单一,影响HC排放量的因素为转速,混合气质量,点火时刻,积碳等也都是在实验中基本固定的因素而导致得出这样的预测误差结果。通过对各模型的适用性验证只有CNN预测模型在输入验证数据之后计算出的误差依然稳定,对各污染物的预测图中的预测值与真实值曲线也十分相近,MLP预测模型以及LSTM预测模型在对验证车辆的排气污染物预测上误差比较大,证明MLP模型以及LSTM模型的并不适用多车型的排气污染物预测,模型适用性低。基于上述研究背景,本课题借助机器学习以及深度学习,对汽油机排气污染物实时预模型的构建进行一定程度的探索和研究。