2018年2月28日党中央召开了防治空气污染发布会,强调了工作重点是根据前一年大气污染防护与治理的完成情况,完善2019年大气污染防治工作。如今国内空气污染范围逐渐扩大,对于空气污染的治理也已经上升到国家政策的层面。为了更好地对空气污染进行防治,有必要对空气质量进行评估和预测,找到影响空气质量的因素,从而及时采取应对措施和防范措施。本文数据来源于中国空气质量在线监测平台和《中国统计年鉴》,选取2019年沈阳市每日空气质量进行等级预测。首先文章针对数据特点对数据进行缺失值检验、数据标准化等处理。其次,建立Neuralnet前馈神经网络模型对空气质量等级进行模糊预测。本文选取六种空气污染物指标（PM2.5、PM10、SO2、CO、NO2、臭氧）和三种气象指标（相对湿度、温度、降水量）建立神经网络,最终得出结论:加入气象指标模型预测准确率为98.18%,不加入气象指标模型预测准确率为95.45%。对于污染程度较高的城市,本文认为有必要对空气质量等级进行多分类精确预测。本文分别建立带权重K近邻和不带权重K近邻模型,发现带权重K近邻模型预测准确率为97.3%,不带权重模型预测准确率为95.5%。接下来,本文着重研究季节因素和经济因素对空气质量的影响。对于季节因素方面,本文选取2001至2019年每月平均空气质量指数（AQI）进行可视化分析,发现季节对空气质量的影响是显著存在的。并且,从各种污染物波动范围、AQI均值可以看出夏季空气污染程度最低,空气质量最好。对于经济因素的影响研究,本文选取沈阳市2016年至2019年各个季节的空气质量等级和三个经济因素代表性指标（沈阳市人均GDP、人均可支配收入、人均消费支出）,应用灰色关联度分析计算三个经济指标与空气质量指标的关联度,结果分别为0.69、0.71、0.72。然后,将季节因素作为控制变量,对三个经济指标与空气质量等级进行层次回归分析,最终分析结果表明,人均GDP、人均可支配收入和人均消费支出越高,空气质量等级越高,三个经济因素指标均对空气质量有负向影响。最后,依据实证分析结果,本文对沈阳市的空气质量改善提出了相应的建议。本文的创新之处有以下三点:第一,将气象指标纳入空气质量等级预测模型,指标选择更全面。前人的研究只选用空气质量描述性指标,没有气象方面指标,本文研究发现气象指标对于空气质量有着直接的影响。自然的力量比任何治理雾霾的措施都有力。本文选取的指标除了传统的六种空气污染物,还选取了三种气象指标对空气质量等级进行预测,在预测的过程中对预测模型的方法及参数进行优化,最终发现加入气象指标的预测模型具有更高的预测准确率。第二,改进了传统的K近邻法,选用带权重的K近邻法提升了预测准确率。本文将传统的K近邻算法进行改进,得到带权重的算法。本文选取的K近邻方法是在传统方法的基础上加入了权重,可以更好的区分每个指标的重要性,从而提升模型预测的准确率。第三,将季节因素的影响可视化。本文客观地展现出不同城市的季节因素是如何影响空气质量的,利用数据可视化清晰地展现出沈阳市AQI的四季差别。