基于支持向量回归（SVR）、BP神经网络（BPNN）、随机森林（RF）、梯度提升决策树（GBDT）和极端梯度提升（XGBoost）等5种机器学习算法，利用2016—2021年逐小时PM25质量浓度监测数据和气象观测数据，构建汾渭平原代表城市PM25质量浓度预报模型，对比检验不同预报模型在不同时段的预报效果。结果表明：（1）5种机器学习算法模型总体表现为秋冬季和供暖期的预报效果要优于春夏季，各模型在细颗粒物污染较重时段的预报能力更加稳定，预报效果更好。（2）XGBoost模型无论在决定系数、平均绝对误差、均方根误差上均不同程度地优于其他模型，其次是GBDT、RF和BPNN模型，SVR模型预报能力较差。（3）XGBoost模型预报结果在量级和演变趋势上与实况十分接近，预报值偏离实况值的幅度较小，但春夏季预报结果有明显的高估或低估，对极端高值区也存在低估。（4）当前和过去1 h的能见度是影响预报效果的最关键因子，气象因子对汾渭平原PM25质量浓度预报存在明显的时间滞后性影响。