近年来,随着人们环保意识的不断增强,空气污染的问题受到了越来越多的关注。本文从空气质量预测的研究背景入手,针对空气质量预测模型结构单一、预测精度低的难题,提出基于深度学习的空气质量预测模型和空气污染物浓度预测模型,并实现了预测仿真软件。本文主要开展了如下研究工作:（1）根据近五年青海省西宁市空气质量数据集,以PM2.5、PM10、SO2、NO2、O3、CO六种大气污染物每小时浓度值及其24小时滑动平均浓度值为属性指标,研究并构建了一种基于双向门控循环单元与注意力机制的空气质量预测模型,开展未来短时空气质量的预测研究。与现有的空气质量预测模型相比,本文所构建的空气质量预测模型在平均绝对误差、均方根误差等评价指标方面,取得了更优的结果。（2）根据青海省西宁市空气质量数据集及大气气象数据集,研究基于注意力机制的卷积神经网络和双向长短时记忆网络组合方法,并构建一种未来短时空气污染物浓度混合预测模型。通过对空气质量数据及大气气象数据的相关性分析,选取不同的空气污染物浓度属性及气象属性作为预测目标浓度的指标,预测未来短时PM2.5、PM10、SO2、NO2四种大气污染物的浓度趋势。与Bi LSTM+Attention和LSTM+Attention两种模型相比,本文所使用的空气污染物浓度预测模型在平均绝对误差和R-Squared两个评价指标上,明显优于其它两种模型。（3）设计空气质量预测仿真软件,实现数据采集、数据处理、空气质量预测等主要功能。本文主要根据空气质量的时间序列数据和大气气象的时间序列数据来进行预测仿真实验,实验结果表明本文所构建的基于深度学习的空气质量预测模型和空气污染物浓度预测模型表现较为优异,能有效提高城市空气质量预测的数据精度和稳定性。该研究工作为空气环境质量的监测和预报提供了一定的参考价值。