随着经济的快速发展,我国工业化和城市化进程加快的同时,大气污染问题也越来越严峻。在环境科学领域空气污染物浓度预测是一项非常重要的研究课题。随着探测仪器的精准化和观测技术的进步,获得了大规模多维且复杂的空气质量数据,计算机技术的快速发展为空气质量监测领域带来了技术创新,开启信息化和智能化的时代。为了提高PM_2.5浓度预测模型的预测精度,除了其他相关污染物浓度,本文还考虑了气象状况这一因素,分别以BP神经网络和深度置信网络为研究对象,建立空气质量预测模型。针对BP神经网络模型性能受到初始权值和阈值影响,易于陷入局部极小,选择PSO优化算法对模型参数选择进行优化,并改进惯性权重,引入遗传算法中的交叉和变异操作,建立改进的PSO-GA-BP预测模型,提高模型预测精度和收敛性能。针对小时预测数据集较大,利用深度学习中的深度置信网络结合支持向量回归建立DBN-SVR预测模型。利用灰色关联度分析进行特征选择,根据过去空气质量数据和气象数据建立预测模型对未来PM_2.5浓度进行预测,由1小时时间步长的实验结果可知,相比BP神经网络模型和PSO-GA-BP模型,DBN-SVR预测模型的预测精度最好且在样本数量规模较大时运行时间短,效率更高。探索更大预测步长时模型的表现,分别训练得到1-6小时预测时间步长的模型,与支持向量回归和BP神经网络进行比较,结果表明DBN-SVR预测模型相比于BP神经网络模型和支持向量回归模型均具有较优表现。