为实现精确化、细粒度的　PM2.5　浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal　cognitive　dilated　convolution　network,ST-C-DCN)的　PM2.5　浓度预测模型　ST-C-DCN.该模型将时空因素、气象因素运用于PM2.5浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取.基于海口市空气污染数据的实验测试表明:对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root　mean　square　error,RMSE)平均下降24.7%,平均绝对误差(mean　absolute　error,MAE)平均下降　9.93%,拟合优度(R-squared,R2)平均上升3.35%.对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R2)实验中,均获得了最多的获胜次数,分别为68,68、63　和64.通过不同数据抽样条件下的Friedman检验,证明了ST-C-DCN对比基准有显著的性能提升.ST-C-DCN为细粒度PM2.5预测提供了一个具有潜力的方向.