近年来,随着工业化进程的不断加快,空气污染问题愈发严重,已经成为各个国家亟待解决的问题。各国政府纷纷采取应对措施,除了从源头上减少污染气体排放之外,许多大城市纷纷建立了空气质量观测站点来进行实时的监测。为了预警极端雾霾天气,指导市民的室外活动与出行规划,对空气质量进行预测亦十分重要。然而目前空气质量预测问题存在着多源数据交叉干扰,误差累积等问题,此外,人们最关心的长期空气质量预测以及极端天气预警仍然充满挑战。针对以上问题,作者分别提出了两种基于注意力机制的深度学习序列模型,论文的主要工作以及创新点如下所述:（1）提出了一种基于时间注意力机制的编码器连接模型。为了捕获多元序列间的相关关系,作者在编码器阶段使用两种不同的编码器增强学习特征的能力,此外作者还在解码器阶段引入了时间注意力机制捕获序列本身的长时间步依赖。该方法为空气质量预测中的单步时间预测问题提供了有效的解决方案。（2）进一步提出了一种基于极端值注意力机制的深度学习模型（EvaNet）。在编码器部分创新性的引入极端值注意力对极端值这一序列中的关键部分增强关注,结合数据预处理得到的增强多源数据之间特征捕获的分组以及协助计算注意力分数的极端值序列进行编码,在解码阶段沿用了时间注意力机制捕获长时间步的依赖。该方法在空气质量长期预测问题中取得了显著效果。上述模型在两个真实世界城市（福州和北京顺义区）的数据集上,针对PM2.5这一衡量空气质量的重要指标进行了评估。实验表明,使用评价指标RMSE与MAE,两种模型在福州数据集中,分别优于传统回归方法超74%与42%,优于现有深度学习方法超2.8%与14%,在北京顺义区数据集中,分别优于传统回归方法超68%与56%,优于现有深度学习方法超9.7%与5.0%。