本文以安徽省16个城市为研究对象,基于2015-2019年空气质量数据及气象观测数据,结合MINITAB从不同尺度讨论分析PM_2.5浓度时空分布特征,借助SPSS软件对安徽省空气污染因子和气象因子与PM_2.5浓度的相关性展开讨论。运用主成分分析法挑选主要影响因子,并基于MATLAB平台进行PM_2.5浓度预测,分别建立BP神经网络模型、三次指数平滑模型。这在今后对PM_2.5污染治理具有积极意义。本文主要研究结果如下:（1）2015-2019年安徽省空气质量指数中,黄山空气质量最好,位居安徽省空气最优排名榜第一,整体而言,安徽省16市大多数是优良空气质量,从2015至2016年,空气质量有所改善,但2017年空气质量出现回落,多城市出现轻度污染,甚至中度污染现象,整体优良率介于33.3%～91.7%。安徽省16市PM_2.5浓度、PM₁₀浓度、SO₂浓度、CO浓度介于35～65μg/m³、71～81μg/m³、9.56～22.13μg/m³、0.75～0.97mg/m³。NO₂浓度五年呈波动趋势,大多分布在25～35μg/m³。O₃浓度呈上升趋势,在2019年有所降低,大多分布在75～115μg/m³,年均值变化范围为69.13～101.4μg/m³,标准差变化范围在7.79～16.02μg/m³,各市O₃浓度差距在逐渐降低。（2）安徽省16市PM_2.5浓度整体表现为:皖北>皖中>皖南,变化幅度分别为20～123μg/m³、17～102μg/m³、10～103μg/m³。在季节尺度下:安徽省16市PM _2.5浓度整体表现冬季大于春季,春季大于秋季,秋季大于夏季,其中夏季的变化范围在17～45μg/m³,多数以优,冬季的变化范围在29～112μg/m³,且多数以良;月尺度下:变化总体上表现出“中低周高”的“V”型特点,大部分城市PM_2.5浓度峰值在12月、1月,随之PM_2.5浓度波动降低,当时间在7月、8月时PM_2.5浓度达到一年中浓度谷值,之后浓度随着进入秋冬季又逐渐升高。日尺度下:PM _2.5浓度变化呈现出较为鲜明的双峰趋势,且夏季波动小,冬季波动大,得到季节不同,峰谷值浮动有所差异。（3）结合多元回归从污染因子来看,PM_2.5浓度与PM₁₀、CO呈显著正相关,PM_2.5与SO₂、NO₂呈正相关,与O₃呈负相关,Pearson值达到0.741。从气象因子来看,PM_2.5浓度年变化中,与大多单一气象因子呈负相关,如降水量、平均气温、平均相对湿度、日照时数、最大风速等,但与平均气压呈正相关,但受季节因素影响,降水量在冬季与PM_2.5浓度都呈现较强的负相关,平均气压在夏季相关性更强。本文对安徽省PM_2.5浓度进行主成分分析,得到PM_2.5与PM₁₀、CO、平均气压、平均相对浓度、最大风速具有较高相关性,实现了特征提取。（4）搭建预测模型:BP神经网络模型、三次指数平滑模型进行预测,结果显示BP神经网比传统的指数平滑法预测的误差小,但训练时间比较长。因此构建三次指数平滑神经网络组合模型对PM_2.5浓度进行预测,得到拟合度为86%,结合MAPE和Kappa对三次指数平滑神经网络模型进行不确定性分析,得到输出结果与实际值具有高度的一致性。同时,设计一款《PM_2.5浓度智能化数据分析及预测系统》,可实现PM_2.5浓度观测数据、相关分析、模型预测等功能。