自18世纪60年代以来,人类社会先后经历了三次工业革命,它们在促进经济社会快速发展的同时,也给我们带来了严重的环境问题。随着世界各国工业化程度的不断提高,城市人口迅速膨胀,机动车辆日趋增多,以二氧化硫(SO2)、氮氧化物(NOx)、一氧化碳(CO)、可吸入颗粒物(PM10、PM2.5)等为主要污染物的城市空气污染问题日益突出,越来越多地受到社会各界的普遍关注。山东省青岛市环境保护监测站自建立至今,已积累了大量的空气质量监测数据,特别是经过近几年的快速发展,全市区域内监测站点的数量不断增加,自动监测环境参数的质量也有了很大的提高,这就为我们分析预测整个城市的环境空气质量提供了重要的数据来源。在这些大批量高质量监测数据的基础上,如何尽量提高环境空气质量预测的精度,是我们当前的一段时间内必须考虑和研究的一个重要课题。传统的方法由于不能真实地反映气象事件的影响,已经不能满足人们日益迫切的需要,而人工神经网络由于其具有较强的刻画非线性映射能力和泛化特性,并且能够充分利用多元环境气象因子等特征信息,已被较多地使用于环境空气质量预测的研究和应用中。本文主要以人工神经网络理论为依据,在考虑了风速、风向、温度、湿度和大气压强等气象因素的影响下,对山东省青岛市李沧区站点污染物SO2、NO2和PM10日浓度进行预测,根据现行的环境空气质量标准GB3095-1996计算出空气污染指数API (Air Pollution Index),并进行分析研究,设计实现了一个基于遗传优化和贝叶斯正规化神经网络的城市空气质量预测模型。该模型主要采用了一种混合的学习算法,即在LM (Levenberg-Marquardt)算法训练神经网络的基础上,引入遗传算法GA (Genetic Algorithm)对神经网络的初始权值进行优化,一定程度上避免了神经网络过早收敛于局部极小值,引入贝叶斯正规化算法(Bayesian Regularization Algorithm)对神经网络的训练目标函数进行调整,直接提高了神经网络的泛化能力。该模型还选取了当年最近一段时间内和前一年同期最近的一段时间内污染物浓度和气象数据作为训练样本数据,对神经网络输入、输出数据进行了归一化和反归一化处理等。通过反复和大量的实验,最终确定了神经网络预测模型的结构参数,并将该实验结果与基于验证集参考模型的实验结果进行了对比分析。结果表明：本文设计的预测模型具有较好的泛化预测效果,能够较好地满足该市对环境空气质量预报的要求。