大气二次有机气溶胶（SOA）是细颗粒物的重要组成部分，具有重要的环境和气候效应。本研究于2023年8月至10月在杭州市大气超级观测站进行了为期两个月的加强观测，基于高时间分辨率的观测数据耦合机器学习的方法揭示了杭州地区有机气溶胶（OA）的生成路径及其关键驱动因素。观测期间，杭州市有机气溶胶的平均浓度为9.31 μg/m3，对PM2.5的贡献为49%，其中，SOA的浓度为5.36 μg/m3。有机气溶胶的H:C和O:C分别为1.62和0.46，氧化过程主要发生在午后以及凌晨。源解析结果表明，杭州市有机气溶胶的来源主要分为六类，依次为烃类有机气溶胶（HOA, 19 %）、餐饮源 （COA, 12%）、含氮有机气溶胶（NOA, 12 %）、老化一次源（OPOA, 26 %）、低氧化态有机气溶胶 （LO-OOA, 9 %）和高氧化态有机气溶胶 （MO-OOA, 22 %）。基于机器学习方法的重要性和SHAP分析结果表明，气象条件和气态污染物对二次有机气溶胶的影响不可忽视，气象条件对SOA的影响达到30%-44%，并且随着污染程度的加重，气象条件对SOA消散的抑制作用越大。基于XGBoost-SHAP模型的分析表明，温度和相对湿度是驱动SOA形成的关键环境因素，而不同的SOA前体物具有明显的差异。生物源挥发性有机物（BVOCs）（尤其是异戊二烯氧化产物MACR和MVK）主导了LO-OOA的形成。而人为源挥发性有机物（AVOCs）（如甲基乙基酮和甲苯）则在气溶胶中过渡金属铁存在下发生液相反应，促进了MO-OOA的生成。研究结果表明，杭州市有效控制SOA需在加强人为源VOCs管控的同时，兼顾生物源VOCs的协同减排。

machine learning,meteorological condition,OVOCs,photochemistry,aqueous phase reaction,secondary organic aerosol