随着工业化和城市化的迅速发展,华东地区臭氧污染日益严峻,臭氧已经成为该地区继颗粒物后最值得关注的大气污染物。获得全覆盖、高精度的臭氧时空分布信息对区域大气环境、生态评估以及流行病研究具有重要意义。近年来,各种大气成分监测卫星陆续升空,为污染监测提供了丰富数据,与此同时,机器学习理论迅速发展,正在逐渐成为大数据建模的有效方案之一。结合卫星遥感和机器学习技术,对近地表大气污染物估算已经成为众多学者关注的热点。本文选择华东作为研究区,包括山东、安徽、江苏、浙江和上海四省一市,研究内容包括引入深度学习技术构建近地表臭氧浓度估算模型、臭氧数据集的生成和验证、华东臭氧的时空变化特征探究以及人口暴露水平评估。主要研究内容和成果如下:1、构建了一种基于卷积神经网络（Convolutional Neural Network,CNN）的臭氧估算模型,同时考虑多尺度的时空信息,并使用卷积注意力模块精细化特征。模型以国控大气监测站点的近地面臭氧观测为真实值,输入的预测变量主要有卫星传感器TROPOMI的臭氧柱浓度反演数据、中国气象局陆面同化系统和欧洲中尺度天气预报中心的气象再分析数据、WRF-ChemO3模拟数据。模型预测值和站点观测值的决定系数在基于样本、基于空间网格和基于年积日的交叉验证中分别为0.94、0.91和0.83,均方根误差分别为10.63、12.79和17.74（μg/m3）。在预留的5个测试城市中,模型预测值与济南、南京、杭州、合肥、和上海市的观测值之间的决定系数分别为0.89、0.87、0.84、0.83和0.83。模型估算精度高于Light GBM、全连接神经网络和循环神经网络。2、生成了华东地区2020年空间分辨率为0.05°的日最大臭氧八小时数据集。在站点观测与模型生成数据年均值对比中,99%的站点误差小于10（μg/m3）,92%的站点误差小于5（μg/m3）。全年的日均值误差均小于10（μg/m3）,误差最大值为8.1（μg/m3）。山东、江苏、安徽、浙江、上海的平均相对误差分别为3.2%,3.7%,4.2%,5.9%和4.1%。预测值空间分布连续,没有出现因为过拟合导致的可见分界线,与 Tracking Air Pollution in China 和 China High Air Pollutants两种同类产品的对比表明,本文数据没有明显插值中心,并且臭氧的空间分布细节更丰富。3、基于模型预测的臭氧数据,华东地区2020年的臭氧时空格局为北高南低,春高冬低,污染最严重的5个城市依次为:济南（112.96 μg/m3）、德州（112.94μg/m3）、滨州（112.36/μg/m3）、泰安（111.51μg/m3）和聊城（112.20μg/m3）。人口暴露水平评估表明:约81%的人口居住在臭氧不达标天数超过150天的地区,15%的人口暴露在最大臭氧八小时大于160（μg/m3）超过60天。