近年来,国内细颗粒物(Fine particulate matter,PM2.5)污染问题受到社会各界高度关注。加强获取高精度PM2.5浓度空间分布能力建设,掌握重污染天气PM2.5组分变化特征,对开展大气污染精细化防控有重要意义。随着卫星遥感技术的快速进步,地面高精度PM2.5浓度可由卫星气溶胶厚度（Aerosol optical depth,AOD）数据辅助估算,弥补传统地面站点监测低空间分辨率劣势。目前,估算PM2.5浓度模型多忽略了使用PM2.5监测数据提升预测精度的可能性。在PM2.5组分研究领域,传统离线分析法效率低下,难以满足现代大气污染防控快速响应的需求。本研究基于广义相加模型（GAM）构建了PM2.5遥感估算模型,使用贝叶斯最大熵模型（BME）和PM2.5监测数据校正GAM模型预测的PM2.5浓度,以安徽省为例,研究基于GAM/BME混合模型提升PM2.5预测精度的可行性;并选取合肥市一次重污染过程,利用单颗粒质谱仪（Single particle aresol mass spectrometer,SPAMS）即时、连续地解析颗粒物成分的优势,以求了解重污染天气下PM2.5成分变化特征,研究重污染来源,厘清重污染成因。主要的研究内容和成果如下:（1）基于GAM/BME模型并使用研究区域内63个地面站点提供的PM2.5浓度数据、Himawari-8卫星的气溶胶厚度数据、气象参数、归一化植被指数等数据,构建研究区域PM2.5浓度估算模型。利用压轴回归方法分析模型拟合度（R~2）并计算均方根误差（RMSE）,评估模型预测效果。结果表明,对比单一GAM建立的PM2.5估算模型（R~2=0.439,RMSE=18.810μg/m~3）,GAM/BME混合模型预测精度明显提升（R~2=0.813,RMSE=12.452μg/m~3）,说明GAM/BME混合模型能够精准地预测研究区域的PM2.5浓度,可作为合理的PM2.5浓度估算模型。（2）基于GAM/BME模型估算安徽省0.05°分辨率（地理坐标系统）的PM2.5浓度分布。GAM/BME模型估算结果与AOD分布高度一致,能够精准解释安徽省污染高值和低值区域;研究区域各地区不同的发展情况造成PM2.5影响因素各异,致使不同地区模型预测精度存在差异;冬季时由于云量较高等不利因素导致AOD数据缺失,对模型预测精度造成影响,导致预测结果出现高值低估现象。（3）基于在线质谱技术研究合肥市一次重污染天气下PM2.5成分变化特征,在重污染期间捕捉的10类细颗粒物中,元素类颗粒物（EC）、重金属类颗粒物（HM）、矿物质颗粒物（MD）及富钾颗粒物（RK）占比显著,分别占总体细颗粒物个数为74.9、10.0、5.0和6.8%,此次重污染天气中主要细颗粒物成分为元素碳。进入污染消散期间,细颗粒物总峰值粒径减小0.1μm,各类细颗粒物均经历了老化状态,含元素碳成分的细颗粒物尤为严重;机动车为主要污染排放源;低风速形成的不利扩散条件和汽车尾气的长时间累积导致了此次重污染天气。结果表明,通过在线质谱技术研究重污染天气PM2.5成分变化特征,能够定性分析区域重污染期间PM2.5来源,厘清重污染成因。