评估PM_2.5的健康风险需要准确地估算人们的PM_2.5暴露水平,然而PM_2.5的稀疏空间分布和人口的密集空间分布往往并不一致,因此需要发展高空间分辨率的精细化的污染人口暴露水平评估。长三角地区位于中国东部地区,其工业和经济发达,人口密集,大量的源排放加之不利的气象条件导致该地区污染严重,目前有关长三角地区PM_2.5污染暴露研究,主要集中在多以行政区划的总人口或公共卫生数据采样点以及其他类似的人口数据结合站点PM_2.5观测数据进行研究,精细化的PM_2.5人口暴露风险的空间分布特征及其季节差异仍旧未知,因此本研究分别构建统计模型和随机森林模型估算了长三角地区人口空间分布,并比较两者精度,随后选取精度较高的随机森林模型进行长三角地区2010-2016年人口模拟,结合MODIS卫星遥感反演的PM_2.5数据,从PM_2.5浓度空间分布特征,人口PM_2.5暴露度,人口加权PM_2.5浓度三个方面综合开展长三角地区的人口真实暴露于PM_2.5污染物的水平和该地区PM_2.5污染人口暴露风险的研究,最终获得了2013年四季PM_2.5人群暴露水平的空间分布,及2010年至2016年长三角PM_2.5人群暴露水平,进而分析了高分辨率人口PM_2.5空气污染暴露水平的季节变化以及时空演变,并以肺癌为例,分析现有暴露情况下PM_2.5致死风险,研究表明:1)通过街道普查人口与预测人口数据对比发现,统计模型R²为0.53,RMSE为32848.13,随机森林模型R²为0.64,RMSE为27874.50。通过对比两种模型的预测精度可以发现随机森林模型的R²大于统计模型,而RMSE较小,因此采用机器学习和地理信息系统（GIS）技术结合的方法构建人口随机森林模型,进行空间化人口更具有优势。2)2013年PM_2.5浓度相对较高和较低的地区主要分布在北部和南部,而四季中PM_2.5>35μg/m³的人群平均比例接近100%。PM_2.5暴露人口的空间分布是不连续的,在整个长三角地区表现出明显的城乡差异。各区域PM_2.5污染暴露风险最高的为冬季,夏季暴露风险最低。对比4个省的PM_2.5平均浓度与人口加权后的平均浓度,可以发现,上海市PM_2.5平均浓度与人口加权后PM_2.5平均浓度差异较小,其余三省均存在一定的差异,其中安徽省的差异度最大,说明存在人口集中分布在PM_2.5高浓度地区的空间特征。3)2010-2016年长三角地区人群存在较高的PM_2.5暴露健康风险,且存在大量人口分布在污染较重地区的情况,总体而言,上海、江苏省大部分地区、安徽中南半部地区PM_2.5暴露情况较重,浙江个别沿海城市暴露情况较重。城市的PM_2.5暴露由人口密度驱动,而农村的PM_2.5暴露由环境污染驱动,PM_2.5致肺癌过早死亡人数的城乡差异显著。