传统PM2.5预测方法获取污染物浓度数据需要大型精密仪器,成本较高.本文尝试利用图像数据进行PM2.5浓度预测.大气PM2.5浓度的变化与图像的暗通道强度、对比度和HSI(Hue-saturation-intensity)颜色差异有密切联系.大气中PM2.5浓度的升高会导致非天空区域的暗通道强度值下降,图像对比度下降和HSI空间颜色差异变小.通过分析PM2.5浓度与图像特征的关系,提出了一种基于图像混合核的列生成空气质量PM2.5预测模型.首先,以1h为采样周期,每日8:00～17:00为采样范围,采集多种天气条件下的景物图像,提取图像的对比度、暗通道强度和HSI颜色差异共5个图像特征.其次,数据存在样本规模大、样本不平坦分布等特点,单个核函数构成的预测模型难以满足预测精度需求,因此本文按照核结构从简单到复杂的原则,选择线性核函数、多项式核函数和高斯核函数三种核函数建立组合模型.然后计算每个核基于训练样本的Gram矩阵,并将所有Gram矩阵并列成一个混合核矩阵.利用列生成算法和混合核矩阵建立预测模型,求解模型参数.最后,进行仿真实验,实验结果表明本文提出的可满足预测精度要求,与单核预测模型相比,该预测模型预测精度更高,模型稳定性更好.计算复杂度分析结果显示基于图像混合核的列生成模型与单核预测模型相比计算量无明显增加.