有效的个体暴露来源解析对于有针对性地采取措施来减小个体暴露的健康危害具有重要意义．相对环境颗粒物(Particulate Matter,PM)来源解析，个体颗粒物暴露来源解析是一个较新的研究领域．本研究首次尝试将径向基函数神经网络(Radjal Basis Function Neural Network，RBFN)应用于个体颗粒物暴露来源解析工作，并采用模拟数据对该方法的有效性进行了检验．模拟数据的解析结果表明：在源成分谱调查充分的情况下，对于分担率大于10％的主要源，其解析结果的相对误差均小于40％，且大多数情况下相对误差小于20％，即RBFN可以实现对个体PM2.5暴露的主要源的较好解析；对于分担率处于5％到10％之间的次丰要源，其解析相对误差大多数情况下均低于40％，但存在极个别解析相对误差高于40％的情况：对于分担率低于5％的非主要源，存在部分相对误差高于100％的情况．与化学质量平衡模型(Chemical Mass Balance，CMB)相比，RBFN可以有效区分共线性强的源．本研究为开创新的个体暴露来源解析方法提供了初步的研究基础．同时，由于对于部分非主要源和次主要源存在较高的解析误差，因此，仍需对该方法进行进一步的研究来改善其源解析性能．