随着工业的迅猛发展,工业环境的安全生产就成为逐渐被加以重视的问题。工业生产过程中所产生的有毒、有害气体是一些安全事故的重要原因,并且严重威胁劳动者人身安全。气体分布地图构建的研究成为在较大环境空间中解决这一需求的重要方法。因此,构建一种能结合环境信息并含有一定预测能力的气体浓度地图就是较为合适的手段。目前的气体分布地图研究的局限性主要在两个方面:采样方式和预测能力。在采样方式方面,由于单一使用移动机器人采样或固定传感器网络采样完成气体分布地图构建均有局限性。在预测能力方面,只能从时间信息或空间信息的其中一项入手,预测能力无法满足工业生产环境中实行预警的需求。为了解决上述问题,本文的主要工作如下:首先,通过对比不同信息提取方式的优劣,提出了一种在气体浓度预测过程中的时空分析策略:以时间信息为主,空间信息为辅的方式。利用实验获取的数据集,通过分析几种不同信息的深度神经网络进行仿真实验,验证了该策略的有效性。其次,依据时空分析策略,提出了一种结合浓度数据时间依赖性、采样节点空间依赖性和全局变化趋势的改进型气体浓度预测算法。在与几种目前主流算法的对比中,本文所提出方法在均方根误差、平均绝对误差、确定系数、准确度四个评价指标均为最优,验证了该算法的有效性。然后,为了验证所提出的气体浓度预测分析策略的有效性,搭建了以固定传感器网络和搭载传感器机器人共同组成的气体监测系统和应用它的两组实验环境。并依靠它们进行了两组乙醇气体扩散过程监测的实物实验,采集了数据集。最后,提出了一种融合了气体浓度预测、采样节点空间分布和基于机器人环境建模三种信息的预测型气体分布地图。该地图具有一定预测能力,同时兼顾了气体分布在环境中的大致位置,本文在物理实验和仿真实验中都对此进行了验证。