This thesis is aimed to introduce a newly developed machine learning method, conformal predictors, for air pollution assessment. For the given area of study, the Barcelona Metropolitan Region (BMR), several conformal prediction models have been developed. These models use the specification which is called ridge regression confidence machine (RRCM). The conformal predictors that have been developed for the purposes of the present study are ridge regression models, and they always provide valid predictions. Instead of a point prediction, a conformal predictor outputs a prediction set, which is usually an interval. It is desired that these sets would be as small as possible. The underlying algorithm for the conformal predictors derived in this thesis is ordinary kriging. A kriging-based conformal predictor can capture spatial distribution of the data with the use of so-called "kernel trick" / Aquest treball està destinat a introduir el nou mètode de les màquines d'aprenentatge, els predictors de conformació, per l'avaluació de la contaminació de l'aire a la Regió Metropolitana de Barcelona (RMB). Es fa servir l'especificació anomenada màquina de confiança de la regressió cresta (RRCM). Els predictors de conformació que s'han desenvolupat per les finalitats d'aquest estudi són uns models de regressió cresta, que sempre ofereixen prediccions vàlides. Un predictor de conformació genera un conjunt de predicció, que és gairebé sempre un interval, i la intenció és que sigui el més petit possible. L'algorisme subjacent dels predictors de conformació derivats i discutits al llarg d'aquesta tesi és el kriging. El predictor de conformació basat en el kriging ordinari pot capturar la distribució espacial mitjançant una tècnica que es diu "el truc del nucli" ("kernel trick")