本文利用2015-2019年地面PM_2.5浓度监测数据结合气象数据、自然数据、人文数据对东南沿海经济区不同时间尺度PM_2.5浓度进行空时空变化和影响因素分析。应用BP神经网络模型和随机森林模型结合2017年3月至2018年2月8-17h的卫星反射率数据、气象数据反演地面PM_2.5浓度。通过引入不同参数后的反演结果分析模型的精度。研究结果如下:（1）从时间变化分析,PM_2.5浓度日内变化总体呈现“升-降-升-降”的波动趋势。前三年呈“双峰单谷”型分布,后两年变化较平稳。月均PM_2.5浓度呈“V”型分布,最低值为17.78μg/m³,最高值为42.68μg/m³,分别出现在6月份和1月份。季节PM_2.5表现出:冬季>秋季>春季>夏季。年均PM_2.5浓度最高的城市为肇庆市（37.32μg/m³）;浓度最低的城市是南平市（23.01μg/m³）。五年间东南沿海经济区的年均值从32.32μg/m³下降到27.27μg/m³,降幅为15.62%。（2）从空间变化分析,浓度高值区主要集中在珠江三角洲地区以及东南部的揭阳市和漳州市。PM_2.5浓度在19-23h污染较严重,范围较广。PM_2.5浓度在1月份污染范围最大（55μg/m³）,污染范围弥漫整个珠江三角洲平原;2月份污染范围开始缩减,直至9月份从珠江三角洲中心地区开始污染,到12月份蔓延至整个西南部城市。PM_2.5浓度有明显的季节差异;PM_2.5浓度每年的高值区的分布格局基本一致,总体表现为西南高东北低的特点,但高值区的面积和浓度逐年减小。（3）从影响因素分析,气象因子相关性由强到弱排列为地面气压>气温>降水量>相对湿度>边界层高度>风速。除地面气压和风速为正相关外,其余呈负相关。自然因子中,高程、NDVI与PM_2.5浓度均表现为负相关。人文因子的人口密度、GDP与PM_2.5浓度呈正相关。（4）从反演方法分析,在两个模型中依次加入气象因子后,精度均有提升,但整体上随机森林模型较优。R²从0.7559提高到0.8658,RMSE从10.0671μg/m³下降到7.4633μg/m³,拟合方程斜率从0.6513增加到0.7831,偏差降低了13.18%。对比两个模型预测的精度指标可知,随机森林模型的r最大可达到0.9305,大于BP神经网络模型。均方根误差为7.4633、平均绝对误差为0.5138、平均分比偏差为0.2146,均比BP神经网络模型误差指数小。