近些年来,PM2.5污染问题对人们的日常生活造成了很大影响,对PM2.5浓度进行监测具有重要意义。常规地面监测站点无法做到大范围的PM2.5浓度监测,因此如何有效利用卫星覆盖范围广的特点对PM2.5浓度进行反演是PM2.5反演领域的热点问题。目前卫星遥感反演PM2.5浓度大多是利用气溶胶光学厚度（AOD）间接反演,而AOD需要从表观反射率（TOA）反演而来,在这个过程中可能把AOD反演误差传递到PM2.5浓度反演中。有研究表明,直接建立遥感数据与地面监测站点PM2.5浓度的关系能够避免AOD反演误差。因此,本文选择使用直接基于卫星光谱信息的PM2.5浓度反演方法,以避免AOD反演误差,并结合贝叶斯神经网络特性,设计了一种顾及多尺度特征的深度贝叶斯模型。主要的研究内容和结论如下:1.针对常规PM2.5机器学习模型中缺少对数据不确定性的考虑,本文结合贝叶斯神经网络特性设计了一种顾及多尺度特征的深度贝叶斯PM2.5反演模型。该模型具有贝叶斯神经网络用先验来描述关键参数并给神经网络提供正则化效果和通过参数进行后验推断并能够顾及数据不确定性的特点,以增强模型的鲁棒性。并且将不同尺度的MODIS卫星数据、NDVI、NDBI和ERA5气象再分析数据作为模型的输入,强化模型对周围大气不同尺度特征的感知。以此来进一步提升模型的PM2.5反演精度和模型泛化能力。2.通过系统分析PM2.5与影响因子之间的物理化学关系并结合皮尔逊相关系数（Pearson correlation coefficient）矩阵分析和基于随机森林的特征优选结果,最终选择了10m水平风速、边界层高度、臭氧柱总量、边界层扩散、2m温度、蒸发量、10m垂直风速、总降水量、高植被覆盖指数、低植被覆盖指数、相对湿度、归一化植被指数、归一化建筑指数作为PM2.5浓度影响因子加入到模型中。3.在以安徽省为研究区域的实验表明,本文方法在不参与训练的独立测试集上的R~2和RMSE分别为0.78和19.45μg/m~3,相较于不考虑周围环境影响的DNN模型、随机森林模型、贝叶斯神经网络三种模型R~2分别提升了9%、4%和6%,RMSE分别降低了3.48μg/m~3、1.49μg/m~3和2.59μg/m~3。4.在2019年不同季节的实验中,相较于其他三种模型PM2.5反演精度显著降低的情况下,本文模型在测试集上的R~2仍旧可以达到0.6以上。并且从模型反演结果和地面监测站点折线图可以看出,模型反演结果和地面监测站点监测值的趋势具有较好的一致性。通过实验对比分析发现,对比常规的单像素信息反演方法,考虑周围环境对PM2.5浓度的影响可以让模型精度得到很大提升。表明周围环境对于PM2.5浓度具有很大影响,将周围环境特征作为PM2.5浓度的影响因子对于提高模型反演精度具有一定的意义。并且结合贝叶斯神经网络的特点,对数据的不确定性进行考虑,可以提高模型的鲁棒性,缓解模型过拟合问题,进一步提高模型的反演精度。