本文利用2001-2006年南宁市区空气污染物SO₂，NO₂，PM₁₀浓度的实际监测数据，分析了南宁市空气污染的时空分布特征；并利用延时交叉相关函数分析了2006年的污染浓度数据与同期的地面常规气象资料，讨论了气象条件对污染物浓度变化的影响以及污染物浓度变化的规律；在此基础上用延时交叉相关分析法确定神经网络空气质量预报模型的输入因子，建立了具有两个隐含层的神经网络模型。以遗传算法与BP算法相结合优化神经网络的权重，模型分别以前10d、前15d和前20d的数据作为历史样本数据，预报未来24h内南宁市SO₂、NO₂和PM₁₀日均浓度；每预报一天的空气质量后，向原来的学习样本中增加当天污染物实际浓度和气象因子，剔除时间最久的历史数据，组建新的学习样本，再进行网络训练以改变网络权重，如此不断循环，网络的权值和阈值不断更新；以平均绝对百分比误差、均方百分比误差以及预报的平均准确率、API分指数预报准确率和等级预报准确率分别对这三种模式预报结果进行评价，结果表明，不同的历史样本数据对不同的污染物预报误差差别不明显，误差范围均在20％～30％之间；以前10d、前20d和前15d的历史数据分别预报未来24h内SO₂、NO₂和PM₁₀的日均浓度作为南宁市空气质量预报模型，对模型的预报结果进行首要污染物浓度预报准确率、API预报准确率以及空气质量等级预报准确率分析，结果表明神经网络模型的浓度预报准确率为78．85％，API预报的准确率为52．56％，级别预报准确率为84．62％。同时以MATLAB 7．0编写了神经网络空气质量预报模型的图形用户界面，界面简单、便于工作人员操作。