针对事件相机探测空间目标时输出大量噪声的问题，提出基于事件相机的空间目标事件流降噪算法。首先，考虑到事件流的时空相关性和异步特性，提出基于邻域密度的时空相关性事件流滤波器（Neighborhood Density-based Spatiotemporal Event Filter，NDSEF），以帧的形式在时间维度累积事件并计算邻域密度，达到降噪的目的。然后，提出基于NDSEF的级联滤波器，通过增加像素维度窗口累积实现算法的高度优化，达到细化滤波的目的。最后，在公共数据集和仿真数据集实验中实现滤波算法的高速与高泛化能力，该滤波器在信噪比和噪声比两项指标上均超过了经典滤波器，事件处理速度可达10 μs，对于多目标空间事件流可以有效处理噪声事件。实验结果表明该滤波器在低信噪比空间场景中保证了降噪算法的准确性和时效性。

基于2018年中国逐日PM_2.5数据，选用随机森林方法构建了高精度PM_2.5浓度估算模型，并在季节和区域尺度上验证了其时空适用性，进一步利用特征重要性方法系统阐释了各影响因子对PM_2.5浓度变化的重要程度，最后利用偏依赖技术探究了不同影响因素的交互作用对PM_2.5浓度变化产生的综合影响。结果表明：(1) 相比于多元线性回归与极端梯度提升树模型，利用多源数据构建的随机森林模型精度最高，可准确模拟出PM_2.5的浓度，且在季节和区域尺度上也有良好的适用性；(2) PM_2.5浓度估算模型的特征重要性排序分析发现，对2018年全国日均PM_2.5浓度影响显著的因子主要是时空、大气边界层高度等全局性因素，表明大气污染防治应把握PM_2.5传输机制，强化区域联防联控；(3) 偏依赖交互效应研究发现温度和相对湿度以及年积日、纬度、温度和大气边界层高度的组合对PM_2.5浓度变化会产生显著影响，说明提升空气质量要从多因子协同治理的角度出发。