目前，国内外的大中城市空气质量逐渐恶化，严重灰霾、光化学污染等空气污染突发事件时有发生，人们希望通过空气质量预报了解当天或者未来一段时间内的空气质量状况，及时调整出行或采取有效的应对措施。 由于机动车尾气的排放，城市主干道周边是空气污染最为严重的区域之一，预测其空气污染物浓度对指导居民出行和预防空气质量恶化有重要的意义。而区域性的整体空气质量对城市人口生活质量的影响也相当大，所以城市一般点的空气质量预报也十分必要。 空气质量预报方法的研究和应用在国内外仍处于发展阶段。一般的预报方法有数值计算模型和统计模型等。数值计算模型输入参数复杂、难以获取，并且数据量大、计算时间长；而一般统计模型则难以模拟空气污染隐含的非线性特性。针对这些问题，本文提出了一种基于神经网络模型的空气质量预报方法。论文从城市路边点空气质量预报和城市一般点空气质量预报两个方面展开模型研究。 首先，利用人工神经网络对城市主干道周边多种机动车污染物的小时平均浓度进行预测。将影响机动车污染物浓度的因素分为交通因素、背景浓度因素、气象因素和地理因素四类，其中，以车流量小时系数来表示交通因素。然后进行三次路边自动监测实验获得影响因素数据和污染物浓度数据，再用这些数据分别建立和检验可用于预测污染物小时浓度值的BP神经网络，最后与多元线性回归模型、美国加州CALINE4模型的预测值进行对比，结果表明神经网络的预测精度较高。 第二，对于城市一般点空气质量的预报，考虑到模型的适用性，采用了常规的气象预报参数作为模型的输入，包括风向方位、风速等级、雨量等级、云量等级、温度及湿度，同时也考虑了背景浓度的影响。经过分季节的处理，以夏季模型和非季节模型为例，通过分别建模、检验，使用气象局公布的实际天气预报数据作为输入，进行污染物浓度日均值预测，实际检验了模型的预测效果。最后采用国家规定的空气质量日报预报精确度评分，对两种模型进行比较。结果显示夏季模型的预报精确度评分高于非季节模型。 第三，基于气象因素对污染物扩散和浓度分布起关键作用的考虑，提出了基于气象相似性的模型构建方法。采用动态划定气象数据子集的方法，来选取预报模型的训练样本集合，从而缩小训练样本的范围，在数据量足够的情况下可以提高模型的预测精度。研究中发现训练样本数据量对预报效果的稳定性存在较大的影响。