遗传算法与BP神经网络在近些年进展非常迅速,传统的遗传算法在实际的应用中存在着诸多的弱点,不能一直保持持续的全局优化搜索能力,也无法确保物种的优越性和算法的收敛速度,进而在算法运算的过程中,群体的个体多样性会慢慢变少。局部搜索能力较差,不能很好的避免算法早熟的现象,因而无法确保算法的运算效率。通过对遗传算法(GA)研究,深入了解遗传算法的原理。对其结构和训练方式进行了改进。在传统的遗传算法上添加了精英个体迁移算子,局部搜索算子,取点交叉等算子,并对遗传算法的训练流程进行了改进。提出一种全新的改进的混合加速遗传算法(Improved Hybrid Accelerating Genetic Algorithm-IHAGA),并将其运用在大气质量评价模型中,提出了对多种大气污染物具有普遍性的大气质量评价方法,通过实验验证取得了较高的拟合度。伴随着人工神经网络在环境质量及大气科学等领域中的不断发展和深入,人工神经网络在实际的预测和应用之中,逐渐的暴露出自己的一些重要缺点和问题。比如：如何确定人工神经网络的初始权值、神经网络的结构模式——隐节点的个数、隐层的个数等,以及难以确定的网络待定学习参数及动量因子等。这些都是确保神经网络正确运行的重要条件,但是都需要通过反复的实际训练才能得到确定。并且在一些实际的应用当中,人工神经网络经常出现过度拟合的问题,这样就严重影响了整个神经网络的泛化能力,从而极大的限制了神经网络的实际应用。本课题经过对遗传算法(GA)和人工神经网络方法进行深入研究,将改进后的遗传算法运用于BP神经网络对BP神经网络进行优化和改进。在对BP神经网络的权值阈值进行优化的基础上进一步优化整个BP神经网络的结构,弥补了单一BP神经网络的不足。然后通过实例运用IHAGA—BP神经网络对大气中的污染物进行预测。实例预测结果表明,通过IHAGA改进的BP神经网络在大气污染预测方面较为准确,在今后的大气污染预测领域具有一定的应用前景。