Загрязнение воздуха представляет собой большую угрозу для экологической устойчивости и общественного здоровья, особенно в городских агломерациях. Точное прогнозирование качества воздуха и раннее обнаружение аномалий имеют решающее значение для эффективного управления окружающей средой и профилактической медицины. В данной статье предлагается метод на основе глубокого обучения, который интегрирует сверточные нейронные сети (CNN) для прогнозирования уровня качества воздуха и кластеризацию DBSCAN для выявления аномальных моделей загрязнения. Для обучения и оценки моделей использовался набор данных за пять лет (2018–2022), состоящий из 2797 образцов и 13 атрибутов. Набор данных был разделен на 70% для обучения, 15% для валидации и 15% для тестирования. Модель CNN обучалась с использованием оптимизатора Adam с размером пакета 32, используя среднеквадратичную ошибку (MSE) в качестве функции потерь. Производительность модели оценивалась с помощью стандартных метрик, включая точность, точность положительных предсказаний, полноту и F1-меру. Результаты демонстрируют стабильную и надежную работу, достигая общей точности 76,0%, точности положительных предсказаний 77,5%, полноты 76,2% и F1-меры 76,3%. Матрица ошибок также выявила сильные и слабые стороны, в частности, влияние ложноотрицательных результатов на общественную безопасность. Предлагаемая в данном исследовании методика, направленная на повышение чувствительности к аномалиям, имеет потенциал для использования в мониторинге качества воздуха в режиме реального времени и для поддержки разработки политики в этой области.