为实现精确化、细粒度的PM_(2.5)浓度预测，提出了基于时空认知膨胀卷积网络(spatial-temporal　cognitive　dilated　convolution　network,　ST-C-DCN)的PM_(2.5)浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_(2.5)浓度预测，基于因果卷积网络提取时空特征，并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明：对于单个监测站，基线模型相比，ST-C-DCN的均方根误差(root　mean　square　error,　RMSE)平均下降24.7%,平均绝对误差(mean　absolute　error,　MAE)平均下降9.93%,拟合优度(R-squared,R~2)平均上升3.35%。对于全部监测站点的预测，ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R~2)实验中，均获得了最多的获胜次数，分别为68,68、63和64。通过不同数据抽样条件下的Friedman检验，证明了ST-C-DCN对比基准有显著的性能提升。ST-C-DCN为细粒度PM_(2.5)预测提供了一个具有潜力的方向。