本研究利用PM_2.5实测数据、MERRA-2 AOD与PM_2.5再分析数据、气象因子和夜间灯光等数据,基于极限梯度提升、梯度提升、随机森林模型和Stacking模型融合技术提出了PM_2.5浓度组合估算模型。在此基础上,从年、季、月尺度综合分析了2000～2019年中国PM_2.5时空变化特征。最后,基于随机森林模型、特征重要性排序和偏依赖图技术,研究中国PM_2.5浓度空间分布的影响因素及其区域差异。结果如下:（1）组合模型实现了中国2000年以来PM_2.5逐月浓度的可靠估算。随着模型训练时段和估算时段的间隔越远,模型估算的PM_2.5浓度的可靠性越低。模型复杂度对PM_2.5历史浓度估算的影响是非线性的。1000 hPa温度、MERRA-2 PM_2.5和边界层高度是模型的关键估算因子,气溶胶光学厚度和夜间灯光的变量重要性相对较低。（2）2000～2019年中国PM_2.5年均浓度呈快速增加-保持稳定-显著下降的趋势,PM_2.5月均浓度先降后升。自然地理条件和人类活动奠定了中国PM_2.5浓度年度空间格局变化的基础,气象条件的逐月变化决定了PM_2.5浓度月度空间格局变化的主基调。2000～2014年中国PM_2.5浓度的标准差椭圆中心向东移动,2014～2018年椭圆中心向西移动。1～3月椭圆中心向西移动,3～9月椭圆中心先北移后南移,9～12月椭圆中心向东移动。（3）PM_2.5浓度随气溶胶光学厚度、人口密度和GDP密度的增加呈先上升后平稳的趋势,随降水、风速和NDVI的增加呈先下降后平稳的趋势,随海拔和气温的增加呈下降-上升-下降的趋势。气溶胶光学厚度对PM_2.5浓度空间分布的影响最大,年降水量对PM_2.5浓度空间分布的影响最小。同一影响因子对不同地理分区的PM_2.5浓度的影响程度有所不同。