雾霾,是雾和霾的组合词。中国不少地区将雾并入霾一起作为灾害性天气现象进行预警预报,统称为“雾霾天气”。而PM_2.5（Particulate Matter）颗粒物是霾的主要组成部分,它是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中,其在空气中含量浓度越高,就代表空气污染越严重。因此,为了有效地预测雾霾天气,保护人类的身心健康,预测未来时刻的PM_2.5浓度至关重要。本文针对PM_2.5浓度的预测问题,主要研究工作如下:（1）针对提升PM_2.5浓度预测精度的问题,建立基于LSTM神经网络的PM_2.5浓度预测模型。在特征选择阶段,由于浓度数据与多种气象因素与污染物因素有关,本文通过实验比较了几种特征选择算法,筛选出与PM_2.5浓度相关度较高的一些气象因子与污染物因子,作为PM_2.5浓度预测模型的输入向量。在模型结构的构建阶段,本文通过分析以及实验确定各项参数,最终建立了一种多输入、单输出的LSTM神经网络预测模型。利用该模型分别预测了不同时间尺度下的PM_2.5浓度,通过对比实验,验证了该算法的有效性以及优越性。（2）针对LSTM网络中隐藏层的神经元个数难以确定的问题,本文提出了一种基于自组织训练算法的LSTM预测模型。基于前文的研究,在LSTM模型的构建阶段,存在一个隐藏层神经元个数难以确定的难题。为了解决该问题,本文提出了一种基于敏感度的自组织LSTM算法。在训练过程中,针对LSTM单元特殊的输入结构和输出值,以敏感度为指标,对隐藏层的神经元个数进行动态的增加或删除,完成结构和参数的自组织优化,解决了LSTM隐藏层神经元个数难以确定的问题。最后通过实验验证对比,验证了自组织LSTM算法的有效性和优越性。