空气负氧离子素有“生命维生素”之称,对人的健康生活至关重要。负氧离子浓度值也是评定室内以及森林景区空气质量等级的重要参考因素之一。基于负氧离子在各领域中的重要地位,加强对空气中负氧离子浓度的监测与研究势在必行。调查发现,国内普遍通过采购进口的负氧离子浓度传感器设备搭建监测站进行负氧离子浓度监测。但是由于高精度负氧离子产品的购置成本十分高昂,并无法满足大众日常监测需求和野外负氧离子多点位长期监测需要。为降低监测成本,满足社会监测需求,找寻新的负氧离子浓度监测方法将具备较高的研究价值。相关文献资料表明,负氧离子浓度与空气中的PM2.5能够一直维持良好的负相关关系,与其它大气因子的相关性则不稳定,容易受到地域环境的影响。为深入研究PM2.5与负氧离子之间的映射关系,本文以杭州市临安区浙江农林大学东湖校区为监测点,通过自主搭建的负氧离子数据采集平台与美国EPEX负氧离子检测设备相结合,同时对东湖校区的温、湿度、PM2.5浓度和负氧离子浓度进行了长期的动态监测。经过对采集所得数据进行预处理、相关性分析等操作后,研究确认了负氧离子浓度与PM2.5之间长期存在较为稳定的负相关特征,其相关系数为-0.7497。基于PM2.5与负氧离子浓度之间的负相关关系,本研究通过非线性回归机器学习语言来构建负氧离子浓度反演模型。为选取较为合适的算法模型,实验采用了支持向量机、BP神经网络以及GA-BP神经网络算法进行比对验证。算法模型以PM2.5浓度值为输入,最终输出空气中的负氧离子浓度值。依据各算法模型的最终负氧离子浓度预测误差,本文确定GA-BP神经网络算法模型为最优模型。其中,GA-BP模型预测得到的负氧离子浓度平均误差百分比为7.46%,能够满足本研究目标需求。在完成模型搭建的基础上,本文借助日本进口的安天世负氧离子检测仪器,对模型进行了进一步的可移植性验证。实验表明:该模型具有良好的稳定性和可移植性,在天气晴朗情况下,模型输出结果与安天世负氧离子设备的实际检测结果相近,平均误差百分比为5.89%。本研究模型的搭建与应用将大大降低负氧离子浓度的监测成本,在促进高校负氧离子浓度相关科学研究的同时,也能满足人们对负氧离子浓度的长期监测需求,间接推动负氧离子检测技术的发展。