Ауаның ластануы қоршаған ортаның тұрақтылығы мен қоғамдық денсаулыққа, әсіресе қалалық агломерацияларда, үлкен қауіп төндіреді. Ауа сапасын дәл болжау және аномалияны ерте анықтау қоршаған ортаны тиімді басқару және профилактикалық медицина үшін өте маңызды. Бұл мақалада ауа сапасы деңгейін болжау үшін конволюциялық нейрондық желілерді (CNN) және аномальды ластану үлгілерін анықтау үшін DBSCAN кластерлеуін біріктіретін терең оқытуға негізделген әдіс ұсынылады. Модельдерді оқыту және бағалау үшін бес жылға (2018–2022) созылған 2797 үлгіден және 13 атрибуттан тұратын деректер жиынтығы пайдаланылды. Деректер жиынтығы оқыту үшін 70%, валидация үшін 15% және тестілеу үшін 15% бөлінді. CNN моделі Adam оңтайландырғышын пайдаланып 50 қайтара оқытылды, оның партия өлшемі 32 болды, жоғалту функциясы ретінде орташа квадраттық қате (MSE) қолданылды. Модельдің өнімділігі дәлдік, оң болжамдардың дәлдігі, толықтығы және F1-шамасы сияқты стандартты көрсеткіштерді пайдаланып бағаланды, жалпы дәлдік 76,0%, оң болжамдардың дәлдігі 77,5%, толықтығы 76,2% және F1-шамасы 76,3% жетіп, тұрақты және сенімді өнімділікті көрсетті. Қателіктер матрицасы сонымен қатар күшті және әлсіз жақтарын, әсіресе жалған теріс нәтижелердің қоғамдық қауіпсіздікке әсерін көрсетті. Аномалияға сезімталдықты жақсарту мақсатында, осы зерттеуде ұсынылған бұл әдісті ауа сапасын нақты уақыт режимінде бақылауда және саясатты қолдауда қолданылуы мүмкін.