随着社会的不断进步,经济的飞速发展,工业化生产排放到大气中的众多污染物,使空气质量水平明显下降,因此如何使经济和环境协调发展已成为人们关注的焦点。为了更加有效的开展防治大气污染的工作,首先必须科学合理的对空气质量进行评价,确定其所属等级,找出关键的影响因子,从而提出合理的建议与规划。常用的空气质量评价模型受到一定的主观因素影响,不能很好的模拟污染物浓度和输出空气质量等级之间的不确定关系,使得预测值和真实值存在较大的差异。支持向量机是20世纪兴起并发展的一种新的通用机器学习技术,它是基于统计学习理论和结构风险最小化原则。对于线性不可分问题,通过引入核函数将低维空间的输入变量映射到高维特征空间,进而将问题转化为线性可分。与传统的统计方法相比,表现出很好的推广能力,并且在金融、网络检测、文本和手写识别、生物信息学等领域取得了成功的应用。本文将支持向量机方法应用于空气质量评级中,取得了很好的预测效果。传统的统计方法缺乏理论指导,对于支持向量机模型的参数设置都是用户事先给定的。本文利用遗传算法进行参数寻优建立支持向量机模型,在没有任何假设的前提下,从待求解问题的潜在解集中选择一个初始种群,遗传算法可以自组织、自适应地进行启发式的参数寻优,具有很强的鲁棒性。本文采用动态方式确定遗传算法的交叉概率和变异概率,事先给出交叉概率和变异概率的初始值和下限值,随着进化代数自动调节概率的大小,具有很好的适应性和灵活性,并且通过与传统的支持向量机、BP神经网络和RBF神经网络相比较,基于遗传算法的支持向量机模型表现出较好的分类结果并且具有稳定性好、泛化能力强等优点。