近年来,大气污染问题受到公众的广泛关注。空气颗粒物浓度预测模型能够为大气污染治理工作提供有价值的参考数据,已经成为学术界的研究热点。本文在人工神经网络基本原理和深度学习算法的基础上,建立了基于受限玻尔兹曼机的双层BP神经网络模型,并将其应用到PM_2.5浓度值的预测研究工作中。本文的主要工作包括以下三个方面:1)本文将受限玻尔兹曼机与双层BP神经网络相结合,建立基于受限玻尔兹曼机的双层BP神经网络模型。在该模型中,受限玻尔兹曼机可以在训练过程中获得输入参数的特征信息并将这些信息作为双层神经网络的初始值,弥补了双层BP神经网络极易陷入局部最优的缺点。本文利用上海、杭州、成都三座城市2013年12月至2017年4月的相关监测数据来进行数据处理,其中包括空气质量指数（AQI）、PM_2.5、PM₁₀、SO₂、CO、NO₂、温度、露点、气压。经数据的相关性筛选和归一化处理后,将所有数据按照80%、10%、10%的比例进行分组分别用作模型的训练,验证和测试。2)本文的数据结果不考虑天气,人为等突发情况。数值计算结果表明,与传统的单层BP神经网络模型（BPNN）相比,基于受限玻尔兹曼机的双层BP神经网络模型（RBM-DL-BPNN）的预测结果更接近真实监测值,准确率更高。本文利用性能指标RMSE、MAE、MAPE来对网络模型进行客观评价。以杭州为例,RBM-DL-BPNN模型的性能指标RMSE、MAE、MAPE的计算结果值分别为13.947μg/m3、5.945μg/m3、12.637%,BPNN模型为17.653μg/m3、13.150μg/m3、27.655%。为了进一步分析预测结果,本文还进行了绝对误差率分析和预测准确率分析。以杭州为例,RBM-DL-BPNN模型的124组预测结果的APEi在0-20%、20%-50%、>50%这三个档次内的数据量分别是107、12、5,BPNN模型为64、44、16。3)开发了一款MATLAB环境下的PM_2.5浓度值预测的软件。用户只需在该软件中输入相关的历史数据就可以轻松的得到PM_2.5的预测浓度值,从而可以提前做好适当的预防措施。