雾和霾作为两种极端天气,常伴有低能见度或高污染,对正常的交通出行和身体健康产生巨大影响,因此能够及时的对雾与霾预报预警是十分重要的。目前针对雾与霾的研究中,传统方法主要有使用雷达的实时监测以及相关的数值分析方法,这些方法人工成本大,计算过程复杂。机器学习作为一项数据挖掘技术,被广泛地应用于人工智能等各个领域,为雾与霾的预测研究提供了新的方法和思路。但是现有的研究工作多是关注是否有雾的判断以及霾的当前状态,较少涉及短时临近雾等级的分类预测和对霾的多步时序预测分析。基于以上,本文对短时临近雾等级分类预测、首次出现霾回归分析和时间序列霾多步预测等问题开展研究工作,能够实现对雾和霾的准确预测,可以有效弥补现有工作存在的缺失与不足。本文利用气象中心和公开数据平台所提供的雾与霾数据进行预处理,对于雾的等级标注,主要通过能见度的阈值来判定。而霾由于其构成原因较为复杂,本文主要研究霾中较为常见的PM2.5污染物。基于上述数据构建的能见度数据集与污染物数据集,进行符合气象原则的特征构造、气象数据中的字符特征编码等工作,实现对数据集的预处理。根据气象原则对雾能见度数据集进行分类划分后发现存在部分类别数据不平衡的问题,使用对边缘数据更为敏感的Borderline-SMOTE数据扩充方法对不平衡类别数据进行数据增强。此外,由于梯度提升决策树中的Light GBM具有预测准确率高、训练成本低的优点,本文研究了一种基于Light GBM算法的短时临近雾分类预测模型并对此模型进行优化。通过首次出现筛选原则对霾污染物数据集进行筛选形成新的首次出现污染数据集,建立基于Light GBM的首次出现霾回归分析模型,并针对Light GBM参数复杂的特点,使用通过先验模型、设定目标函数方式的贝叶斯优化调参对此模型进行优化。针对霾污染物PM2.5的时间序列预测问题,建立基于多输入多输出BIGRU多步预测模型,并对同一时刻的多步预测结果采用权值求和的方式进行计算,在此模型基础上使用对参数学习率进行自适应更新的Adam优化器。最终通过对比实验,验证了本文研究的数据处理方法、分析预测模型和参数优化算法的有效性,能够较好地实现短时临近雾等级分类预测、首次出现霾污染物分析以及霾污染物的时序预测。