经济的发展，工业化水平的提高，人口的快速增长导致了大气污染问题的日益严重。2015年柴静的雾霾调查“穹顶之下”更是引发了全民的关注。为了合理整治大气污染问题，准确反映空气质量的变化趋势，开展对大气污染物浓度的预测研究十分重要。　　我国某省会城市目前采用CMAQ和NAQPMS两种空气质量预测模型，在预测空气质量时，两种模型表现出不同的特征。CMAQ模型全面模拟了大气中的各种物化过程，考虑了多种组分之间的影响转化，在空间范围上，可以根据需求选择具体的尺度范围，对该范围下的空气质量有着较为全面量化的评估。NAQPMS模型更注重考虑不同尺度范围下，污染问题的相互影响过程，如沙尘的输送、酸雨的迁移等。本文基于该省会城市上述两种空气质量预测模型，利用数据挖掘技术以及机器学习算法，有效结合两种模型之间的优点，取长补短，开发出一种预测准确率更高的空气质量多模式集成预测系统，为更加准确地进行空气质量预测服务。　　本文首先介绍了机器学习的发展历程，对经典机器学习算法做了理论上的概述；根据最新的研究情况、经典算法的数理特征，选择本次研究的机器学习算法集合；根据模型的评估系数等参数，确定本文模型选择的标准。其次，基于空气质量历史监测数据和两个模型的模拟预测数据，进行了大量实验，筛选出适用于常见大气污染物SO2、CO、NO2、PM10、PM2.5浓度的预测模型。最后，基于上述研究，开发空气质量多模式集成预测系统。　　本研究将机器学习经典算法，特别是集成学习算法应用于研究大气污染物浓度预测建模。本研究在CMAQ模型与NAQPMS模型的基础上，融入了集成学习思想，提升了模型预测的准确率，对实际中的空气质量预测具有重要的应用价值。