近些年我国经济水平不断提高,城市化进程不断加速,空气污染问题日益严重,糟糕的大气污染问题已经严重影响社会生产和广大居民的生活和健康。已经受到社会各界的广泛关注。大气污染的影响因素很复杂,所以大气污染带来的环境治理问题是一个周期较长的过程,在短期无法大幅度改善空气质量的前提下,能够正确识别和预测空气状况是十分必要的,以便广大群众能及时采取防护措施,预防污染问题带来的严重后果。目前大气污染的防治是我国迫切需要的,而大气污染预测可以为这一过程提供可靠的信息。因此,建立有效的大气污染预警模型是十分必要的。本文在梳理现有相关研究的基础上,发现传统的方法仍然存在很多不足,如忽略了对原始时间序列的影响因素的重要性,模型初始参数的随机性等。为了得到更精准和稳定的预测结果,针对上述问题,本文以六种空气指标为自变量,空气质量指数为因变量,建立了一种主成分分析与最小二乘支持向量机相结合的模型,并用灰狼优化算法来优化模型的参数,以此来实现对未来一段时间内的空气质量指数预测。其中主成分分析（PCA）为数据预处理方法,对原始数据进行降维,简化输入。灰狼优化算法（GWO）为群智能优化算法,用来优化预测模型LSSVM中的参数。为了证明本文使用的组合模型的优越性,引入包括传统统计模型与其他混合模型在内共九个模型进行对比实验,通过五种评价指标对所建立的模型进行评价,从不同角度来验证组合方法的预测准确性,同时为了说明模型的泛化性、稳定性,选取三个气候特点不同的地区,分别对三组不同样本2018年1月1日到2020年11月31日的AQI数据进行预测研究,来验证该混合预测模型的泛化能力。实验研究结果表明:①相比于传统预测模型,混合模型在质量指数预测方面优于默认参数的LSSVM单一模型和常规回归神经网络（BP、GRNN）模型。②在所有模型中,本文使用的混合预测模型PCA-GW0-LSSVM的综合预测性能表现最佳,获得了较为理想的精度。③本文提出的模型PCA-GWO-LSSVM在三个不同地区的空气质量指数预测表现中没有明显差异,说明该模型具有一定的泛化能力。因此,所建立的模型具有应用于空气质量预测系统的潜力。本文旨在研究面向空气质量指数预测的基于神经网络和启发式优化算法的空气质量指数预测问题,并以国内主要城市的空气质量指数预报为研究对象,目的是提高空气质量指数预测方法的精确度和稳定性。