近年来,我国大气污染问题突出,对人们的生产、生活构成了严重威胁。随着人们对灰霾问题的关注及城市空气质量的预测需求,针对区域空气质量预报的研究也愈发迫切。本文在总结分析国内外空气质量预报研究动态和技术难点的基础上,以秦皇岛市为研究区域,分别开展了基于数值模式、神经网络方法的空气质量预报研究,并对比分析了不同数值模式和神经网络方法的预报性能。在此基础上,利用机器学习集成方法,以PM2.5浓度预报为研究重点,构建了秦皇岛市集合预报模型,并选取2020年7月3日到2020年7月20日进行多模式对比实验,综合分析了不同方法对PM2.5的预报效果。论文取得以下成果:(1)本文基于WRF-Chem、CMAQ和CAMx模式,建立了秦皇岛市多模式数值预报系统,并运用该系统模拟了2020年1月1日到2020年6月30日年秦皇岛市六大污染物浓度的时空变化情况,综合分析了不同模式对于各污染物的预报表现。结果表明,三种模式对于CO、PM2.5、O3预报效果较好,相关系数范围在0.26-0.70之间。其中,CAMx对于O3预报偏离水平大,对SO2、NO2预报效果具有优势;CMAQ对各污染物浓度预报整体较好,预报值与观测值较为接近,模型稳定;WRF-Chem与其他两个模式相比,对于PM2.5和O3预报效果较好,对于SO2的预报效果最差,并且存在预报值低估的问题。(2)此外,本文基于BP、GRNN和GA-BP神经网络方法,建立了秦皇岛市多模式统计预测模型,并对比分析了三种模型对于PM2.5浓度的预测结果。结果表明,在PM2.5的预测中,BP、GRNN神经网络预报和GA-BP神经网络三种模型预测的相关系数均值分别为0.80、0.86、0.81。通过模型准确率和一致性检验,可以得到GRNN更为准确,BP模型更为实用,GA-BP对PM2.5预测稳定性明显高于GRNN和BP神经网络预测模型。(3)最后,本文基于随机森林、梯度提升、背包三种机器学习集成方法,提出了一种数值-统计集合预报组合策略,通过结合WRF-Chem、CMAQ和CMAx数值模式与BP统计模型,构建了集合预报模型,并预报了2020年7月3日到2020年7月20日秦皇岛市PM2.5变化情况。结果表明,三种集合预报模型大大提高了预报精度,相较于集合前,在相关系数和均方根误差方面得到明显改善,其中最高相关系数达0.45,其中,与随机森林和梯度提升算法相比,自举集成模型的预报值和观测值的接近程度最高,其对于预报结果的提升也最为明显,未来可作为城市空气质量预报精度提升的有效方法。该论文有图31幅,表17个,参考文献96篇。