近年来,雾霾污染问题愈发突出,严重影响了人们的生产和生活,因此对雾霾浓度的预测具有重要意义。PM_2.5是雾霾形成的主要因素,PM_2.5浓度越高,雾霾污染越严重,因此本文针对PM_2.5浓度值进行短期预测研究。本文的具体研究如下:（1）通过对前人成果的研究,结合西安市地理环境信息,并使用相关性分析与逐步回归分析方法确定了PM_2.5浓度预测的影响因素为:PM₁₀、CO、NO₂、SO₂、O₃、温度、湿度、风速、气压和露点。（2）对已有PM_2.5浓度预测研究发现,前人通过串联卷积神经网络（CNN）与长短时间记忆神经网络（LSTM）实现对PM_2.5浓度影响因素在空间和时间维度上特征的融合,但此方法会在一定程度上损失PM_2.5浓度影响因素在时间维度上的特征,因此本文使用Blending集成学习策略并行结合CNN和LSTM,并建立基于CNN-LSTM集成学习的PM_2.5浓度预测模型。（3）使用基于CNN-LSTM集成学习的PM_2.5浓度预测模型对西安市区PM_2.5浓度进行短期预测。为进行对比实验,建立了基于串联CNN-LSTM的PM_2.5浓度预测模型,并使用它对西安市区PM_2.5浓度进行了预测。最后,通过对比实验可知,使用Blending集成学习策略并行连接CNN和LSTM的PM_2.5浓度预测模型效果比串联CNN和LSTM的预测模型效果要好。同时实验结果也表明了,随着预测时长的增加,预测误差就越大。