区域多尺度空气质量模型（CMAQ）是当前大气环境管理和科研领域的重要研究工具,已经在国内外取得了广泛的应用。但是,由于该系统在实际使用过程中过于复杂、专业性太强、计算所需要耗费的时间太多,导致CMAQ的优势大打折扣。将基于CMAQ实验排放控制矩阵模拟得到的污染物浓度数据作为输入,使用基于统计机器学习的前馈神经网络模型,可以便捷地得到各污染物排放控制因子比例与污染物浓度之间的响应关系,也即快速响应模型,此模型能够提高空气质量预测的系统性能与效率,方便快捷地评估各种减排措施对污染物的控制效果、为因地因时制定污染物减排控制方案提供数学和统计学上的依据。研究结果显示,本文所建立的快速响应模型可靠性较强,能够实现轻量化CMAQ模拟的设计功能,实现了比传统RSM模型更快的计算速度并有着更好的模型扩展性。利用该模型对长三角区域2014年冬季PM_2.5和O₃污染进行了分析,结果显示,长三角区域冬季PM_2.5长距离跨区域传输现象明显,本地污染物排放影响有限,一次颗粒物以及NH₃等二次前体物排放对于PM_2.5影响显著,因时因地制宜的上风向污染物排放控制和跨区域联防联控是解决长三角冬季PM_2.5污染的主要举措。长三角冬季O₃污染形成原因较为复杂,主要受前体物NOx和VOC影响,其中NOx在冬季表现出对于O₃较强的滴定作用,而O₃浓度对VOC排放则相对不敏感,O₃浓度控制同样需要做到因时因地制宜,注重科学决策。