伴随经济发展以及城市化进程的加速,各类污染物排放量的增加对大气环境造成了巨大影响,空气污染问题已经成为当今社会广泛关注的问题之一。PM_2.5作为大气环境的主要污染物,对人群健康、交通出行、环境质量等都具有负面效应,因其具有传输距离长、停留时间久的特性,常被用来评定空气质量。研究PM_2.5日均浓度变化,有利于加强对PM_2.5浓度变化规律、影响因素以及未来发展的认识,为污染预报、预防呼吸道疾病以及大气环境治理奠定基础。基于此,本文主要研究以下三个内容:1.分析南京市PM_2.5日均浓度的影响因素。首先,我们选取近些年南京市PM_2.5浓度数据,观察其浓度变化规律。在分析过程中,我们分别建立南京市PM_2.5日均浓度与SO₂、NO₂、CO、O₃等其他污染气体的回归模型以及南京市PM_2.5日均浓度与最高温度、降水量、最低温度、风力、天气状况等气象因素的岭回归模型,并利用主成分分析得到影响因素的贡献度。结果显示,南京市PM_2.5平均浓度夏季较低,冬季较高,近些年呈现下降趋势。日均浓度与SO₂、NO₂、CO及天气状况分类结果（包括晴、多云、阴、雨四种天气状态）成正相关,与O₃及最高温度、降水量、最低温度、风力等气象因素呈负相关。2.建立ARIMA-BP神经网络组合模型对南京市PM_2.5日均浓度进行预测。首先,我们利用ARIMA模型建立了时间序列模型并进行预测(即PM_2.5日均浓度预测的线性部分),预测结果基本符合空气质量等级的相应范围。然后,我们运用BP神经网络对残差部分进行预测(即PM_2.5日均浓度预测的非线性部分)。结果显示,通过组合模型预测的PM_2.5日均浓度,较原时间序列模型预测精度有显著地提升。3.建立ARIMA-双层BP神经网络预测模型以实现对组合模型的优化。我们通过分析组合模型与实际数据存在差距的原因,增加神经网络输入与输出层关联度的方式进行优化,即,先建立输入变量的时间序列模型,并利用BP神经网络构造其拟合曲线,此为第一层神经网络;再以第一层网络拟合值作为输入层,真实PM_2.5日均浓度作为输出层,建立第二层神经网络。结果显示,优化后的模型较原组合模型预测精度有所提升。