随着城市化和工业化的快速发展,燃料不断地被消耗,大气环境污染日益严重,“雾霾”天气频发,严重影响人们的正常工作、生活和身体健康,成为国民关注的焦点问题,急需研究并有待解决,造成该现象的重要因素是大气中含有细颗粒物PM_2.5。因此,对悬浮在空气中的颗粒物PM_2.5浓度进行监测,进而根据监测数据实行有效的预测研究刻不容缓。本文根据历史监测数据分析PM_2.5时间变化规律,从空气污染物、气象因素、采暖等角度出发,探究影响细颗粒物PM_2.5的关键因素。采用逐步回归分析法,基于PM_2.5与其他污染物之间的关系来分析PM_2.5污染的成因,得到逐步回归的最优模型,描述了二次颗粒物的演化规律。为了更好地实现对空气中细颗粒物PM_2.5污染的预报工作,本文结合了主成分分析法和BP神经网络理论,采用MATLAB软件建立神经网络模型,进行仿真达到预测效果,并将结合主成分分析和神经网络的PCA-BP神经网络预测结果,与采用传统的BP神经网络的预测结果进行对比。由于PM_2.5浓度极易受周围环境的影响,且影响因素众多,故只适用于短期预测。本文首次提出采用PCA-BP神经网络理论对大气中悬浮细颗粒物PM_2.5浓度进行预测研究,其旨在分析PM_2.5污染特征和未来短期内PM_2.5浓度变化,为环境污染分析提供参考。