近年来，随着我国城市化进程的不断加速，城市汽车保有量和燃油消耗逐年大幅度增长，随之导致机动车污染排放的日益严重，大气环境遭遇了前所未有的挑战。近日，我国中东部地区持续雾霾，给居民的身体健康和工作生活带来了极大的威胁。雾霾天气的形成主要由于大气中细颗粒物（PM2.5）浓度超标引起，作为细颗粒物污染的主要来源，道路机动车尾气的排放和扩散问题受到了愈发广泛的关注和研究。传统的细颗粒物污染扩散模型主要针对街区尺度（0.5-4km）和中观尺度（100-500m）进行研究，而在道路微观尺度（10-100m）上的预测效果并不理想。本研究针对细颗粒物在城市开阔道路沿侧的扩散问题，在中美两国典型路段沿侧，利用便携式移动监测设备，进行了一系列细颗粒物扩散浓度监测实验。在实验监测数据的基础上，提出了基于人工神经网络的细颗粒物污染扩散模型。这一模型可以很好的处理细颗粒物扩散的非线性问题，同时其预测的准确性对输入参数准确度的依赖较低，有效的弥补了现有污染扩散模型在道路微观尺度上预测的不足。同时，本文对背景污染浓度对模型预测精度的影响，以及模型的适用条件进行了相关的讨论和研究，并将模型的预测结果同线性回归模型和CALINE4模型进行比较，结果表明，基于人工神经网路的模型可以有效的预测道路沿侧细颗粒物的扩散浓度。