由于大气是人类赖以生存的基本条件,对人类至关重要。近年来,随着信息技术特别是人工智能技术的发展,为科学、准确的预测和评价城市空气质量创造了有利条件。从这个角度出发,将人工智能最先进的神经网络技术引入到空气质量评价及预报领域,并在这一思想的指导下,进行了基于人工神经网络（Artificial Neural Network-ANN）的空气质量中的重要因子PM₁₀的评价及预报方法的研究。本文提出了改进的BP神经网络的有关城市空气质量中PM₁₀的预报法。根据气象因素与污染物质量浓度的关系,设计并实现了基于误差反向传播算法的神经网络的城市空气污染预报模型。预报结果表明,利用改进算法后的BP网络技术所建立的模型,具有较高的预报率,在实际污染控制与防治中,具有重要的应用价值。 从大气质量预测介绍和PM₁₀对大气质量影响开始,介绍了国内外目前空气质量及其空气质量中的主要因子PM₁₀预测的现状、方法,并对神经的结构、类型、仿真、学习、训练,以及BP算法及模型的改进研究。利用MATLAB建模软件,对影响PM₁₀浓度的污染物及大气因子等相关条件进行了对比研究和选取,利用贵阳市2004年、2005年的有关污染物浓度和气象数据来训练和预测,比较了不同的数据处理方法的预测图形和相关性的不同,发现采用各个测量点平均值浓度有着较大的相关性。在能得到的现有的污染物和气象数据条件下,各个因子相对PM₁₀的相关性情况是:RNO₂>RSO₂>R风速>R温度>R降雨>R风向。选用影响因子相关性较大的因子建立了四个BP预测模型,它们分别是采用动量梯度下降算法训练网络、采用L-M优化算法训练网络、用贝叶斯正则化算法提高推广能力、采用提前停止方法提高推广能力。比较了四种不同的BP预测模型的稳定性、收敛性、相关性、MAE、MSE值、隐含层神经元数等相关参数,选取BP3即用贝叶斯正则化算法提高推广能力作为最优预测模型。建立了实际的预测模型并进行了运用,发现在不同的削减污染条件下,NO₂相比SO₂对PM₁₀有着更重要的影响,并结合贵阳市的环境政策作了说明。最后对模型的一些特性作了说明,如污染源排放的不确定性、样本数据选取的局限性、模型的精度、对网络性能参数隐含层神经元数、学习速率、目标误差等设置的建议。