空气环境质量不仅关系到人们的日常生活,更对人类的长期发展有重大的影响。通过对空气环境质量进行科学的评价,我们可以了解当前空气环境质量的情况,更重要的是,通过长期的观察、积累和分析空气污染的信息,我们可以掌握空气污染的科学规律,进而制定出防止、减轻空气污染的措施。因此,近几十年来,有众多学者先后采用不同的科学理论和方法对空气环境质量进行评价,各种评价方法各有长短处,我们有必要探索更加快速、准确的空气环境质量评价方法。神经网络以其独特的高精度非线性逼近能力、并行处理能力、容错性以及自学习能力而成为解决众多内部蕴涵规律难以建模的问题的强有力工具。目前,人工神经网络的模型有几十种,而且许多模型有多种学习算法,随着该学科的发展,不断有改进或者全新的网络模型和算法得以提出,针对具体的实际问题,选择合适的网络模型、训练方式以及学习算法是神经网络实际应用中必须解决好的问题。不仅如此,神经网络在训练中学习率和初试化等也关系到训练的进度和所得网络模型的性能。当前,在智能计算领域中,把基于不同理论的智能算法相结合以综合它们的优势、长处得到性能更优异的智能计算系统是一个十分有潜力的方向,模糊神经网络正是这方面一个比较成熟的理论结果,并有一定的实际应用。本论文将人工神经网络理论发展过程中有重要意义的BP神经网络和基于T-S模型的模糊神经网络分别用于空气环境质量评价中,依靠MATLAB软件,分别完整的设计出了整个网络模型,经过反复试验后,得到了具有实际使用价值的系统,实现了对空气环境质量的快速准确评价,不仅如此,通过两种网络模型在空气环境质量评价中多角度的对比,我们对BP神经网络和基于T-S模型的模糊神经网络各自的特点有了更深入的认识,对模糊理论和神经网络相结合得到的优异智能计算系统有了更好的体验。最后,文中对空气质量评价和神经网络学习提出了一些新的探索。