近年来,随着我国城市化和工业化的不断深化,导致大气污染愈加严重,我国的大气污染问题受到了广泛关注。与世界卫生组织出台的《空气质量准则》相比,我国在空气污染治理上仍需努力。为尽可能减少大气污染对人们身体健康的短期和长期影响,对PM2.5、PM10和CO等污染物进行快速和准确的预报有着重要的意义。目前国内外的数值预报模型在运算效率和准确性上达不到现在人们的需求。已发布的人工智能预报模型多为对城市整体空气质量和单监测站观测数据的时序预测,忽略了周边监测站对本地监测站的相关性因素,影响了预测的准确性。本文在时序预测的基础上,考虑周边监测站对本地监测站的影响,提出一种基于深度学习模型的考虑时空特征的PM2.5浓度预测方法。其主要内容如下:（1）空气污染物及其空气污染物相关物的数据均为时间序列,可以使用统计检验量的方法对数据集进行时间序列分析。首先对PM2.5及其相关物进行数据特征选取,其次针对强相关的数据特征进行时间序列线性分析,得出PM2.5及其相关物均为非线性时间序列,为模型设计奠定方向。然后对常常出现的时间序列缺失值提出两种填充算法,并根据时间序列的非线性性设计相关非线性模型进行缺失值填充效果验证实验,结果表明使用前项填充的模型预测效果更好。（2）采用城市地区内监测站的数据对各地区的空气质量进行预测更有效。然而空气污染物会随着风速和地理地形等因素发生改变,针对之前的研究中并没有深刻考虑地理方面影响的问题,搭建了基于LSTM（Long Short Term Memory）神经网络的PM2.5混合预测模型。模型由时间预测模型、空间预测模型、聚合模型组成,时间预测模型使用本地监测站历史数据进行预测作为时间特征,空间预测模型使用周边监测站历史数据进行预测作为空间特征,聚合模型将时间特征和空间特征进行混合选择得出最后结果。（3）使用京津冀地区的空气质量监测站点的数据对大气污染预测模型进行训练,设计不同的实验验证本文模型的有效性。首先将大气污染预测模型与其他深度学习方法使用相同数据集预测后进行效果对比,结果表明本文模型优于其他深度学习方法。其次将大气污染预测模型与仅使用空气质量数据的模型和使用空气质量数据、气象数据的模型进行效果对比,结果表明本文模型的空间特征是有效的。