La predicción precisa del Índice de Calidad del Aire (AQI) es crucial para proteger la salud pública; sin embargo, la inestabilidad inherente y la alta volatilidad del AQI presentan desafíos significativos. Para abordar esto, el presente estudio introduce un novedoso modelo híbrido de aprendizaje profundo, KL-PV-CBGRU, que utiliza el filtrado de Kalman para descomponer los datos del AQI en características y residuos, mitigando efectivamente la volatilidad en la etapa inicial. Para los componentes residuales que continúan exhibiendo fluctuaciones sustanciales, se realiza una descomposición secundaria utilizando la descomposición de modo variacional (VMD), optimizada además por el algoritmo de optimización por enjambre de partículas (PSO) para mejorar la estabilidad. Para superar las limitadas capacidades predictivas de los modelos individuales, este marco híbrido integra unidades recurrentes bidireccionales con compuertas (BiGRU) con redes neuronales convolucionales (CNN) y módulos de atención convolucional, mejorando así la precisión de la predicción y la fusión de características. Los resultados experimentales demuestran el rendimiento superior de KL-PV-CBGRU, logrando valores de R de 0.993, 0.963, 0.935 y 0.940 y valores de MAE correspondientes de 2.397, 8.668, 11.001 y 14.035 en intervalos de 1 h, 8 h, 16 h y 24 h, respectivamente, en Shijiazhuang, superando todos los modelos de referencia. Los estudios de ablación confirman además los roles críticos tanto del proceso de descomposición secundaria como de la arquitectura híbrida en la mejora de la precisión predictiva. Además, los experimentos comparativos realizados en Beijing validan la fuerte transferibilidad del modelo y su rendimiento consistentemente superior sobre los modelos competidores, destacando su robusta capacidad de generalización. Estos hallazgos subrayan el potencial del modelo KL-PV-CBGRU como una herramienta poderosa y confiable para la predicción de la calidad del aire en diversos entornos urbanos.