本发明公开了一种基于CNNs‑GRU融合深度学习模型的PM2.5预测方法，包括如下步骤：S1：获取某区域若干个监测站的空气质量相关数据，构成多站点多模态空气质量数据集Ω^*；S2：对多站点多模态空气质量数据进行预处理，包括数值化编码、缺失值填充、异常值修正、周期性特征构造和数据集划分；S3：基于CNN和GRU，以多站点多模态空气质量数据为输入，构建适用于PM2.5预测的深度学习模型CNNs‑GRU；S4：基于训练集、验证集训练CNNs‑GRU模型，并对模型进行优化；S5：在测试集上运行最优CNNs‑GRU模型，获得某区域未来24小时PM2.5浓度的精细化预测结果。本发明具有考虑多站点多模态空气质量数据的空间分布特征、预测时间步多、泛化能力强和预测准确率高的特点。