细颗粒物PM2.5是雾霾产生的重要因素,其成因复杂,危害严重。为实现对PM2.5浓度的预测并加强对其污染的控制,开展相关的研究及基于研究上的污染治理工作意义极其重大。然而传统方法难以充分利用历史数据中的有用数据进行精确预报。本文将BP神经网络用于武汉市PM2.5浓度的预测,借助MATLAB软件实现了此模型的建立、训练和仿真。首先,利用时间序列模型对PM2.5的污染进行了预测,进而通过对API的六个指标绘制散点图及相关关系的分析构建主成分分析模型和逐步回归模型,通过对比找出相对最优模型,并根据此模型预测了下一个月的PM2.5浓度值。由于传统建模法建立的模型大多是线性的,预测精度往往难以保证,而BP神经网络能提供较为理想的处理非线性问题的模型,因此考虑将BP神经网络用于PM2.5的预测,在365个测试样本中,预报结果与实际完全吻合的为240天,占65.8%;相差不超过一级的为337天,占92.3%。预报结果与实际情况基本一致,从实践上证明了BP神经网络运用于PM2.5预报的可行性,为城市PM2.5的污染预报提供了新的思路和方法。