本文利用2001年3月至2006年2月西安城市环境空气中PM₁₀浓度逐日实测值以及同期气象要素监测值为对象，展开西安城市环境空气中PM₁₀浓度预报模型的研究。分析了西安城市环境中PM₁₀浓度年、四季变化特征和同期各个气象要素四季变化特征，发现PM₁₀浓度以及气象要素均四季变化特征明显。采用偏相关分析方法进行了四季与PM₁₀浓度显著相关的气象因素的筛选，并进行了源释放的平稳性检验，对建模单元进行优化选择，表明以四季为单元建立模型是合适的。通过对污染物资料的分析，发现大气污染物浓度的变化具有较强的非线性特性，要对其进行较为准确的预测，就必须采用能捕捉非线性变化规律的预报方法。B-P神经网络由于其非线性影射能力，能够很好找出空气污染物浓度变化与影响其的气象因子之间的规律，省去了对数学模型的设计，预报精度比较高并且模式简单，因此本文采用B-P神经网络方法按四季建立西安城市环境中PM₁₀浓度预报模型。针对B-P神经网络梯度算法容易陷入局部极小、收敛速度慢等局限性，对B-P神经网络结构和算法进行了优化，采用优化算法改进网络性能，采用试错法确定网络隐含层节点数。最后对模型进行检验，得到春季模型预报准确率为80.81％，夏季模型预报准确率为81.86％，秋季模型预报准确率为79.78％，冬季模型预报准确率为82.03％，各段模型的绝对误差在-0.03mg／m³～0.03mg／m³，相对误差在-30％～30％。通过误差分析和预测准确率分析，可知本文所建西安四季B-P神经网络预测模型是可行的，并且具有较强的推广能力和较好的适应性。