随着社会经济的发展、城市人口的膨胀,大气污染问题日趋严重。为更好地反映环境污染变化趋势,加强空气污染防治,预防严重污染事件发生,研究大气污染预测方法、开展大气污染预报意义重大。由于大气环境系统自身复杂多变且其已经积累了海量历史监测数据,传统预报方法难以充分挖掘历史数据中的有用信息实现精确预报。本论文将人工神经网络技术应用到空气污染预报领域中,借助神经网络的非线性处理能力和容噪能力,设计出基于人工神经网络空气污染预报方法,为环境管理决策提供及时、准确、全面的环境质量信息。本论文采用伦敦市PM2.5的小时平均浓度数据,利用人工神经网络技术建立预报模型,定量预测伦敦市PM2.5的小时平均浓度。论文首先选择误差反向传播网络作为污染物浓度预测的工作网络,在进行大量试验分析的基础上,确定了网络结构。论文提出采用贝叶斯归一化训练算法和提前停止法来训练网络,同时对于如何选择权值初始化方法、样本集如何划分、划分比例等进行了研究,为今后网络结构参数的确定、训练方法的选择提供了重要的参考经验。论文还提出了利用自组织竞争网络将一年分为不同季节,按季节分别建立不同污染物各小时污染物浓度预报网络,以提高网络预测性能的办法。其次,论文分别讨论了样本集数据量、样本集数据去噪与否和气象因素对于网络预报性能的影响。论文的试验结果表明所建立的预报网络对PM2.5的小时浓度有较好预测精度和良好的泛化能力。最后,论文根据总结提出的建模方法,对PM10、NOx、O3分别建立了预报模型进行预测。论文的研究从实践上证明了人工神经网络用于空气污染预报的可行性,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法,也为充分利用海量环境数据提供了一种切实可行的方法。