上海作为长江三角洲乃至中国经济最发达的城市,作为生态文明建设的先驱城市,也是世界了解中国最重要的窗口之一,随着经济的持续高速发展,城市建设对环境承载力的影响越来越严重,其环境质量的状况备受世人关注。虽然上海市的空气质量在全国范围内属于较好的程度,但其空气污染问题依然很严峻,污染防治的压力也越来越大,因此对上海市空气质量及污染物情况的研究,对于精准污染防治和城市发展有着重要的作用。但以往对于空气质量的研究,多基于传统的离散数据,最常见的数据类型是时间序列数据、纵向数据和截面数据,存在着信息缺失和过于依赖经典假设等问题,同时,随着大数据时代的到来,函数型数据应运而生,它们是带有明显函数特性的数据,在每个时间点都存在取值,且时间点越密集,函数特征越明显。同时,该类数据还有很多优点:可以对来自无限维空间的曲线数据进行统计分析;通常需要较少的分析假设条件;具有良好的几何解释等。而空气质量的多年观测数据就具备这一特征,但从以往的研究中心发现,对于空气质量的函数型数据分析方法仍处于起步的阶段,且大多为基于单变量函数型数据的城市空气质量研究,或将多个指标赋予相应的权重,加权求和形成新的指标后进行后续的函数型数据分析（函数型主成分分析和聚类等）。本文基于多元函数型数据,从这个崭新的视角,选取pm2.5,pm10等六项污染物,对上海市16个市辖区近两年内空气质量的时空特征和时间特征进行研究,利用基函数展开法对原始数据进行平滑处理后,进行函数型主成分分析降维,基于多元函数型主成分分析得分矩阵,采用多元函数型高斯混合模型进行聚类,对市辖区进行典型区域划分,得到了3个典型污染区域,最后通过模拟的方式将这种新的函数型数据模型聚类的方法与传统的KMeans聚类进行比较分析,对函数型数据模型聚类的有效性进行了验证,并依据全文分析对上海市污染防治和空气质量改善提出建议,为后续措施的实施提供理论支撑。