大气是人类赖以生存不可或缺的环境要素之一。同时大气污染是全球疾病的一个重要风险因素,并对人类健康产生重大影响。然而随着现代化工业的迅猛发展以及城市人口迅速聚集,造成了交通压力迅速增加以及大量化石燃料燃烧。其产生的PM₁₀、PM_2.5、NO₂、SO₂、CO、O₃迅速增加,大大超过了大气环境容量,因此大气污染治理刻不容缓,2018年我国也打响了“蓝天保卫战”。因此大气污染预测污染物浓度的变化的研究可以及时的预警严重的污染事件的发生,为政府及其他部门的决策与管理,人们的出行活动安排提供有效的参考。本文提出了一种耦合了随机森林模型缺失数据插补与经验模态分解和NARX神经网络模型的混合预测模型。为评估模型预测精准度,选取了我国河南省郑州市东（四十七中）、西（供水公司）、南（市监测站）、北（岗李水库）以及市中心（烟厂）五个监测站2015-2017三年每小时的6种大气污染物浓度数据进行分析与预测数据。为了建立性能良好的预测模型,首先对缺失数据通过对比随机森林、MICE、kNN、MA、Kalman插值、Stineman插值法的插补效果,最终选择使用插补效果最优的随机森林算法进行插补重构完整数据。其次使用经验模态分解将完整数据分解为具有相似频率的有限个本征模函数与残差项,将本征模函数与残差项作为输入端输入NARX神经网络,并将输出值累加得到最终输出的预测结果。将搭建的EMD+NARX混合模型的预测效果与四种单一模型ARIMA模型、ets模型、Holt-Winters模型以及SVM模型的预测结果相对比。结果表明本文搭建的混合模型预测精准度较高,运行速度较快,并且能够基本拟合出大气污染物浓度时间序列的波动于变化趋势。因此可以为郑州市大气污染物浓度预测及研究提供一定的支撑。