上世纪中叶,由于工业化进程加快,城市规模扩大和人口的急剧增加,以致在工业发达国家中的大城市多次发生大气污染公害事件,数以万计的人致病或丧生,严重危害了人体健康和生态平衡。人们开始认识到大气环境质量好坏极大地制约着人类经济和社会的健康发展。近年来,虽然我国大气污染防治工作取得了很大的成效,但由于各种原因,我国大气环境面临的形势仍然非常严峻。要实现大气环境与社会经济协调发展,开展城市环境空气质量影响因素及其影响机制的研究,是十分必要的,也是改善城市环境质量迫切需要解决的实际问题。现代城市环境空气质量管理面临的问题是如何有效管理数据资源并挖掘出在这些数据中蕴涵的丰富信息,充分发挥信息潜力及价值,提升城市环境空气质量管理水平。数据挖掘技术正是解决这一问题的有效方案。数据挖掘方法是近年来国际上兴起的的比较新颖的复杂系统建模方法,具有很强的建模能力。把数据挖掘方法引入到区域环境质量演变的影响因素分析中,能够借助计算机研究影响环境变化的主要因素,并定量分析影响因素的影响程度。本文以武汉市1997-2005年环境状况公报和统计年鉴数据为基础,首先对武汉市空气质量进行了综合评价,在此基础上详细分析了城市空气污染的影响因素,创新性地将神经网络和遗传算法等数据挖掘方法引入到空气质量影响因素系统研究中,建立了空气污染影响因素的遗传神经网络模型,利用MATLAB建模软件,对武汉市空气污染影响因素进行了科学定量分析。文章共分五个部分。作者在绪论中概述了空气质量影响因素的国内外文献,阐明了本文的研究背景、论文框架、研究内容和研究方法。第二章首先介绍了武汉市空气质量功能区划,研究了空气质量的综合评价方法,使用SPSS软件的主成份分析法评价了武汉市空气质量变化趋势,比较系统地分析了城市空气质量的影响因素。第三章主要阐述本文的数据挖掘模型。本章首先介绍了基本BP神经网络算法,其次将遗传算法和神经网络相结合,构建了遗传神经网络模型,最后给出了神经网络变量选择算法和灰色关联度法。第四章对武汉市的空气质量影响因素进行了实证研究,并与灰色关联结果进行了对比分析。最后,提出了改善武汉市空气质量的主要措施。本论文主要采取了定性分析与定量分析相结合,理论模型与实证分析相结合的研究方法。定性分析是指对大气质量评价指标和影响因素的研究并选取具体指标,定量分析是指对大气质量的综合评价和对大气污染影响因素的挖掘计算。理论模型是指构建基于数据挖掘的大气污染影响因素分析模型,然后对典型区域的指标数据进行实证分析。采用传统的方法不易对环境信息进行深层次分析,使用新的研究方法对区域环境经济复杂系统建模是具有挑战性的,对环境经济的可持续发展更具有现实意义。本论文突破了两个难点,即一是在大气质量综合评价的基础上,比较系统地分析了大气污染的影响因素;二是构建了以遗传神经网络为主的大气质量影响因素分析模型,并对典型区域进行了实证研究。其研究成果为制定科学的环境保护和污染治理措施及环境经济的可持续发展提供决策依据。