大气污染物可严重危害人体健康,是当前我国环境治理的重点关注领域。大气污染物浓度预测是提前采取相关减排措施、减少乃至避免大气污染危害的关键之一。由于大气污染成因极其复杂,常规的空气质量模型往往难以满足支撑相关管理决策的需要,因此,高质量的预测大气污染物浓度一直以来是环境空气质量研究中的难点问题之一。论文分别以典型大气污染物PM2.5、O3为研究对象,将污染物时空信息按地域分割后作为模型输入,开发了 一种新的复合模型预测这两种大气污染物浓度。该复合模型由三个部分组成:采用双向长短期记忆网络（Bi-LSTM）的时序预测模型、采用随机森林（RF）的预测修正模型以及采用BP神经网络的预测聚合模型。基于本地污染特征及其变化过程存在一定规律性的假设,时序预测模型采用双向长短期记忆网络并将本地污染物时空信息作为输入。考虑到降低模型复杂度的因素,周边地区污染物时空信息则作为预测修正模型的输入,最后,复合模型采用BP神经网络实现时序预测模型和预测修正模型的融合。论文以浙江农大站点为实例测试点,评估了复合模型的预测结果,并将其与单一的随机森林或双向长短期记忆网络模型的预测结果进行了对比分析,所得主要结论如下:（1）复合模型在预测未来PM2.5和O3污染物浓度方面均优于单一的随机森林或双向长短期记忆网络模型,能够解决单一模型预测精度不足的问题。其对未来8小时、24小时PM2.5浓度预测的决定系数（R2）比随机森林模型分别高6.8%、11.1%,比双向长短期记忆网络模型分别高4.3%、0.4%;其对未来8小时、24小时O3浓度预测的决定系数比随机森林模型分别高4.0%、8.5%,比双向长短期记忆网络模型分别高19.4%、2.9%。（2）就污染物类型而言,复合模型对O3浓度的预测显著优于其对PM2.5浓度的预测。其对未来8小时、24小时PM2.5浓度预测的决定系数（R2）分别可达0.672、0.492,对未来8小时、24小时O3浓度预测的决定系数则为0.967、0.743。（3）复合模型可有效解决单一模型存在的污染物最大值预测时间滞后问题。