空气污染是人类健康的主要威胁之一,如何治理空气污染已成为社会关注的焦点和研究的重点。网格化监测系统通过提供全方位信息为治理空气染污发挥了积极成效,在其监测数据基础上,单源监测数据挖掘和多源数据直接融合挖掘的方法相继被提出,用以解释属性间的相互影响。已有方法未充分考虑环境监测数据浓度分布不均匀且随气候变化的特点,因此反映出的污染成因不够全面和准确。针对已有方法的局限性,本文在系统分析网格化监测数据基础上,从数据挖掘和不确定性信息融合理论的角度,开展大气环境关键规则挖掘方法和技术研究。主要研究内容如下:(1)提出了基于Apriori算法和Dempster-Shafer理论的大气环境监测数据关键规则挖掘方法。首先,对预处理后的单监测站数据利用Apriori算法进行关联规则挖掘,得到高可信的强关联规则;然后,对上述强关联规则通过Dempster-Shafer理论进行融合,得到多个监测站数据中隐藏的相关规则。该方法能够解决多个监测站点数据信息挖掘过程中存在的数据差异化问题,适用于多元化规则挖掘需求和规则集不相同情况下的融合需求。(2)提出了基于Apriori算法和Evidential Reasoning算法的大气环境监测数据关键规则挖掘方法。首先,引入权重指标体系,根据融合过程中重要性的不同,赋予利用Apriori算法挖掘得到的强关联规则集相应权重;然后,通过Evidential Reasoning算法对多个规则集进行融合,得到高可信度融合规则集。该方法能够解决特殊情况下融合数据集重要性非均匀及部分规则冲突问题,适用于高精度挖掘需求和重要性不同的融合需求。本论文提出的方法挖掘结果表示了不同参数之间的影响模式,具有可解释性和现实意义,能够为空气污染的治理和预防提供理论和技术支持。