La contaminación del aire (principalmente PM2.5) es uno de los principales problemas ambientales en cuanto a la calidad del aire. La predicción y advertencia temprana de la contaminación del aire es un requisito previo para la prevención y control de la contaminación del aire. Sin embargo, no es fácil predecir con precisión la tendencia a largo plazo debido a que los datos recopilados de PM2.5 tienen una no linealidad compleja con múltiples componentes de diferentes características de frecuencia. Este estudio propone un predictor híbrido de aprendizaje profundo, en el cual los datos de PM2.5 se descomponen en componentes mediante la descomposición en modos empíricos (EMD) primero, y se construye una red neuronal convolucional (CNN) para clasificar todos los componentes en un número fijo de grupos basados en las características de frecuencia. Luego, se entrena una red de unidades recurrentes con compuertas (GRU) para cada grupo como sub-predictor, y los resultados de los tres GRUs se fusionan para obtener el resultado de la predicción. Experimentos basados en los datos de PM2.5 de Beijing verifican el modelo propuesto, y los resultados de la predicción muestran que la descomposición y clasificación pueden mejorar significativamente la precisión del predictor propuesto para la predicción de la contaminación del aire.