大气化学输运模式被广泛应用以解释观测到的大气污染物变化。结合地面观测和模式模拟的数据同化方法，则可以进一步增强模式模拟的可靠性。在传统的数据同化方法之外，新兴的基于机器学习的研究方法在大气环境研究中的应用正在逐步增加。在本工作中，我们构建了一个基于卷积神经网络 (CNN) 和长短期记忆 (LSTM) 神经网络的混合深度学习模型 (hyDL-CO)，以比较深度学习模型和卡尔曼滤波同化对我国2015-2020地表一氧化碳(CO) 浓度预测的效果。我们发现深度学习模型在训练期间（2015-2018 年）的性能优于卡尔曼滤波：平均偏差和相关系数在中国东部分别为 9.6 ppb 和 0.98，在具有独立观测数据的网格上分别为 -12.5 ppb 和 0.96。相比之下，卡尔曼滤波同化的 CO 浓度有相近的相关系数，但负偏差更大。此外，深度学习模型在测试期间（2019-2020 年）表现出良好的时间可扩展性：中国东部的平均偏差和相关系数分别为 95.7 ppb 和 0.93，在独立观测的网格上分别为 81.0 ppb 和 0.91。尽管深度学习模型有这些优势，我们发现深度学习模型在测试期间的预测能力弱于卡尔曼滤波，并且明显低估了极端污染事件中的 CO 浓度。这项工作展示了深度学习模型在预测大气成分方面相对于传统数据同化的优缺点，这有助于在未来的研究中更好地应用这种新技术。

深度学习,卡尔曼滤波,一氧化碳,中国