空气污染物颗粒中的PM2.5易携带病菌,可以吸入肺部,对人体危害尤其严重。官方建立的空气质量监测站点由于成本高昂,很多区域分布非常稀疏,并不能有效的监测所有位置的空气质量。随着人工智能的发展,机器学习技术应用广泛,通过设计不同的算法模型分析历史数据,来对当前或将来的事件做推断,尤其在图像、语音和推荐等领域发挥了巨大作用。而物联网的发展,也使群智感知技术和众包技术得到普及,通过互联网中的传感器获取大量的多样化的数据。本论文所描述工作基于课题组的众包感知系统,根据收集的按场景划分的图像数据、手机型号、姿态值以及天气、季节、时间等环境信息,挖掘出相同场景图像中包含的与场景中PM2.5浓度有较强相关性的特征向量,并以挖掘的特征为基础进行了 PM2.5浓度计算模型算法研究与设计,提出了一种基于核函数的贝叶斯参数估计方法进行不同场景的PM2.5浓度值推断,并将该算法流程进行模块设计实现嵌入课题的众包感知平台系统中,使得可以通过众包等方式为不同位置建立PM2.5浓度值推断模型,实现PM2.5浓度在空间和时间上的细粒度监测。本论文首先介绍了研究背景、工作目标和内容,并对相关技术进行了介绍和总结。之后进行了基于图像数据的PM2.5浓度计算模型算法分析设计,详细阐述了数据预处理、图像中挖掘与PM2.5浓度相关特征的方法,以及基于相同场景图像的特征获得PM2.5浓度推断模型的训练更新算法,并对算法进行了测试与比较,验证了算法的准确性。然后进行需求描述和可行性分析,并根据需求分析结果,对模块进行了概要设计和详细设计,通过对不同子模块的功能及函数方法介绍描述了整个PM2.5计算模块的实现流程。最后本论文的作者对设计的PM2.5浓度值计算模块进行了测试,验证了算法可行性和系统的有效性。