近年来,我国雾霾问题被推上高潮,其中京津冀地区为PM2.5污染的重灾区。为提高雾霾预警准确率,间接降低雾霾天气对人们生产生活造成的危害,本文研究了京津冀地区雾霾特征提取及污染预测方法,具有较强的理论和应用价值。针对目前雾霾特征提取只是简单利用特征间相关关系造成最终预测误差较大等问题,本文提出特征提取方法,利用深度置信网络提取高层特征,并且与传统特征提取方法提取到的低层特征进行融合。深入分析了雾霾影响因素,从气象和非气象因素角度综合构建了影响雾霾的特征因子库,利用基于树的低层特征提取方法提取低层特征,利用深度置信网络提取高层特征,将高层特征与低层特征进行融合作为后续预测模型的输入特征。与经典主成分分析法及目前应用效果较好的基于树模型的特征提取方法相比,本文特征提取算法提取到的特征是比较有效的特征。针对目前主要存在的采用传统数值及统计预测的雾霾预测算法,对于雾霾这种非线性数据预测效果较差,较难取得满意效果,采用人工神经网络进行预测极易出现调参复杂,收敛速度慢,并且容易陷入局部极小化等问题,本文提出将深度置信网络与XGBoost算法相结合的雾霾预测算法。将深度置信网络的最后一层与低层特征层共同连接至XGBoost模型,解决特征融合参数确定困难的问题。在训练数据集上对模型进行训练。建立PM2.5浓度污染等级划分指标,对预测的数据进行等级划分,并构建专家经验知识规则,利用专家经验知识辅助优化预警结果,在测试数据集上进行预测以及预警。本文方法与目前应用效果较好的支持向量机方法,以及目前应用广泛的BP神经网络算法相比效果较好。