近年来,一些流行病学研究表明,影响人类健康的主要空气污染物就是颗粒物质,PM2.5更易吸附大量的有毒、有害物质,但是PM2.5的浓度受到很多气象因素和其他污染物的影响,气象参数来源复杂且量化困难,在建模过程中存在显著的不确定性,另外考虑到地理和气象问题的不确定性,对每天的PM2.5浓度直接进行预测是十分困难的,混合的线性及非线性模型并不适用于空气质量数据的复杂性。本文主要针对兰州每日PM2.5浓度,根据“分解-集合”的原则,提出了一种基于集合经验模态分解(EEMD),人工神经网络(ANN)和自适应粒子群优化(APSO)的PM2.5浓度预测的新型混合集成模型来解决预测困难的问题。在提出的模型中,将一个较为困难的预测任务划分为几个相对简单的子任务,增加这样一个分解的过程可以更容易解决预测的问题,用于处理难以量化且高度波动的气象信息从而提高预测性能。我们可以将混合集成模型分解为三个步骤:首先,利用一种有效的分解算法,集成经验模态分解(EEMD),将PM2.5浓度的原始数据分解为特定数目并且互相独立的固有模态函数(IMFs);其次,利用APSO优化组合权重的人工神经网络(ANN)单独预测IMF;最后,用另一个APSO-ANN预测模型将前面产生的结果集合成最终的预测结果。此外,该研究还验证了我们提出的模型在不同情况下的表现,实验结果表明提出的混合集成模型预测是较为准确的。