本文将径向基函数神经网络（Radial Basis Function Neural Network，RBFN）应用于城市大气颗粒物（Particulate Matter，PM）来源解析工作。在源成分谱调查充分的情况下，利用模拟数据计算的解析结果表明：RBFN可以实现对多源的良好解析，取得了与化学质量平衡受体模型（Chemical Mass Balance，CMB）相当的解析结果。对主要源贡献值解析的相对误差低于15％。且RBFN可以很好地识别无效源。因此，在充分掌握可能污染源成分谱信息的基础上，RBFN具有源解析应用潜力。但在源调查不充分的情况下，RBFN则难以得到好的源解析结果。　　 同时，本研究尝试将RBFN应用于个体PM2.5暴露来源解析工作。从已有文献报导中获取个体暴露源成分谱和源分担率的均值和偏差，构建了个体暴露的模拟数据。在源成分谱调查充分的情况下，模拟数据的解析结果表明：RBFN可以实现对个体PM2.5暴露来源的良好解析。解析结果相对优于正定矩阵因子分解（PositiveMatrix Factorization，PMF）。但相比PMF，RBFN需要获得源成分谱的均值和方差信息。与CMB相比，RBFN可以有效地区分共线性强的源。　　 此外，本研究将遗传算法应用于输入RBFN源解析模型的化学成分的优选。结果表明，优选输入成分后的RBFN获得了更低的源解析误差。