灰霾是比较严重的空气污染现象,其成因虽然非常复杂,但是主要元凶是可吸入颗粒物PM1o与PM2.5,它的演变过程与气象因子及其他污染气体的存在密不可分,为更好的反映其变化趋势,本文开展了对可吸入颗粒物的特征分析、成因分析及仿真预测等工作。1、通过采集能够代表南京地区所有区县的13个监测点的PM2.5和PM1o质量浓度,对南京市可吸入颗粒物进行空间和时间分析,从空间分布整体来看南京市区污染程度大于市郊区并大于郊县区；研究期间内13个监测点的PM2.5差别不大,PM10差别较明显。春季PM2.5污染最严重的监测点是迈皋桥,PM10污染最严重的监测点是奥体中心,冬季PM2.5、PM10污染最严重的监测点都是奥体中心。时间分布为PM10和PM2.5月平均浓度均是1月份最高、5月份最低,达标天数比例则相反：5月份最高、1月份最低；颗粒物浓度24小时变化曲线大致呈双峰双谷型,且冬季颗粒物浓度的变化曲线波动性及双峰双谷特征更明显；同季节内PM2.5和PM10相关性很好,冬季的相关系数为0.948、春季为0.897。跨季度时PM2.5和PM10几乎没有相关性。2、通过数据采集分析PM2.5与单个气象因子以及其他污染气体的相关性,研究结果表明PM2.5在相对湿度达到75%左右时污染最严重；PM2.5与风速呈负相关关系,并且日最大风速的瞬时效应大于日均风速的持续效应；PM2.5清除量在降雨量1-5mm之间时随降雨量增加而增大,且PM2.5清除量与PM2.5的初始浓度呈正相关,初始浓度越大,清除量也越大；PM2.5与CO、NO2、SO2等污染气体呈明显的正相关性,与03及能见度则呈负相关性。3、通过数据分析,分季节建立逐步回归分析模型,定量分析PM2.5的成因,确定两个模型分别为冬季(y1)和春季(y2)的PM2.5回归模型：y1=-18.103+105.811xco -3.236x降雨量-2.755x最高气温+2.167x最低气温y2=-62.731+52.343xco-0.664x降雨量+0.548x相对速度-0.208x臭氧+0.220xNO2回归模型模拟结果表明,冬季影响PM2.5浓度的显著因子分别是CO、降雨量、日最高气温、日最低气温；春季影响PM2.5浓度的显著因子分别是CO、降雨量、相对湿度、臭氧(8h)、二氧化氮；因此有效控制这些影响因子的浓度对减少PM2.5的浓度具有重要作用。4、采用BP神经网络建立一种仿真预测PM2.5浓度变化的方法,借助MATLAB语言及工具箱,调用一定的函数分季节建立冬春季节BP神经网络,筛选出与PM2.5相关性较强的其他污染气体和气象因子作为输入神经元并各自进行训练仿真,经验证BP神经网络PM2.5浓度仿真模型预测的真实值与仿真值符合较好,冬季仿真模型的预测准确率为80.12%,春季仿真模型的预测准确率为78.99%,绝对误差值在-20μg.cm-3～20μg.cm-3,相对误差在-30%～30%之内,个别监测点超出此范围。通过预测值与真实值对比,证明该方法在一定误差范围内能较好的预测PM2.5浓度。