近年来臭氧（O3）逐渐成为困扰城市空气质量的首要污染物,准确高效的臭氧预测对臭氧污染的防控与治理有着重要的意义。空气质量监测网络为臭氧预测提供了多源的污染物浓度监测数据,但基于多源监测数据的臭氧预测还面临以下三方面挑战:一是离群站点和冗余站点对预测精度的影响;二是由气象因素导致的站点关系的动态变化;三是不同污染物之间的交叉干扰。针对上述挑战,本文从进化学习和深度学习两个角度开展了面向多源监测数据的臭氧预测方法研究,主要研究内容如下:（1）针对多源数据中冗余站点和离群站点对预测造成干扰的问题,研究了基于传递熵与互信息的改进鲸鱼优化算法,对网格化监测站点进行优化选择。首先利用传递熵与互信息来量化站点间的因果性和相关性大小,其次通过改进的动态优先搜索策略提高算法的收敛精度和收敛速度。最后通过站点的搜索概率差异描述算法的搜索进度,将线性收敛因子改进为自适应收敛因子,平衡算法全局搜索和局部搜索能力。从12个站点的实验结果上来看,改进鲸鱼优化算法表现最优情况占比91.67%,有效地剔除了无关站点对预测的干扰。（2）针对气象条件对站点关系的动态影响和污染物之间的交叉干扰两个问题,提出了基于动态时空注意力机制的臭氧预测模型。首先通过图嵌入的方式学习站点之间的空间依赖关系,通过特征嵌入表达动态变化的气象信息,通过一维卷积解决污染物之间的交叉干扰。其次,提出了基于动态时空注意力机制的站点信息融合模块,根据不断变化的气象条件动态融合站点信息。最后,通过引入卷积门控单元在时间维度上衡量编码信息间的权重分配。实验结果表明,所提出的模型相较于其他基线模型MAE值平均降低了17.62%,有效地缓解了污染物之间的交叉干扰,同时降低了气象条件对臭氧预测的影响。