随着我国经济迅速发展,越来越多的城市出现空气污染现象,这成为了人们广泛关注的一个问题。而大气污染物中,PM2.5作为主要污染物,PM2.5浓度也成为衡量一个城市空气质量的一个重要指标。因此,我们希望对PM2.5浓度进行有效科学的预测。本文以杭州市为研究对象,选取了杭州市以及周边城市近几年的污染物数据进行分析,首先对PM2.5浓度与杭州市平均气温、湿度、平均风速和大气压强进行了相关性分析,发现PM2.5浓度和平均温度呈负相关性,与大气压呈正相关,与平均湿度和风速的相关程度较弱。然后对PM2.5浓度和其余5项空气污染物进行相关性分析,结果显示PM2.5浓度和PM10浓度、二氧化硫（SO₂）、一氧化碳（CO）、二氧化氮（NO₂）呈现较强的相关性,因此要优先降低这些污染物的浓度。接着将空气质量指数（AQI）与各个空气污染物指标进行回归分析,发现PM2.5对空气质量指数影响最大。最后分析了杭州、嘉兴、湖州和绍兴的PM2.5浓度关联性情况,探究了杭州市各个区之间空气污染的区域性问题,发现西湖区附近的几个区空气质量最好,而萧山区、余杭区和临安区空气质量相对来说较差。接着本文建立时间序列模型对PM2.5浓度进行预测分析,通过一系列的数据处理后,利用R程序建立起ARIMA（1,1,2）模型对数据进行拟合,通过对模型的残差检验后发现残差为白噪声序列,说明模型拟合比较成功,并且对建模数据的后6天PM2.5浓度进行了预测,结果显示前4天的预测准确度较高,后2天预测准确度开始变差,说明时间序列模型只能对PM2.5浓度进行短期预测,在中长期预测方面存在一些欠缺。由于BP神经网络有着强大的非线性处理能力,本文运用BP神经网络建模来对长期的PM2.5浓度进行预测,利用2016年至2018年当中的1092个数据进行神经网络模型训练,经过反复的参数调试,确定了输入层神经元为7,隐含层神经元为5,输出层神经元为1的三层BP神经网络,利用这个模型的7个输入变量对训练数据之后的17个数据进行分析预测,通过与实际值进行对比,预测结果和实际结果的总体相对误差为8.96%,再通过推广,预测了2019年上半年的PM2.5浓度,预测的总体相对误差为11.12%,预测可接受天数比例为87.57%,这说明BP神经网络在中长期的预测上有很好的效果,为PM2.5浓度研究提供了一个有效的方法。文章最后对杭州市降低空气质量指数提出了一些建议,例如从源头上降低二氧化硫排放量,对钢铁、水泥和化工行业进行脱硫整治;要降低二氧化氮和一氧化碳排放量,提倡新能源汽车的使用,提倡市民降低机动车使用强度,通过拼车或者公共交通或者共享单车出行;同时要培养环境管理专业人士,联合周围城市共同治理空气污染物。