随着中国经济的发展，污染情况也愈加严重，因此污染物总量控制也成为了各级政府的工作重点。污染物总量减排工作的中心就是在预测到未来几年的污染物排放量的基础上，制定科学合理的污染物减排政策。根据国家要求，需要统计二氧化硫、氮氧化物、氨氮和化学需氧量等四种污染物的排放量。本课题的研究目标是通过分析人口因素、产业分布情况对污染物排放量的影响，结合灰色系统理论和神经网络理论，建立适用于二氧化硫、氮氧化物、氨氮和化学需氧量这四种污染物排放量预测的组合模型。本文针对成都市污染物排放量的特性，提出了以GM（1,1）、GM（0,4）以及BP神经网络为主要结构的污染物排放量预测模型。该模型从宏观上分析了影响这四种污染物排放的相关因素，在传统的灰色神经网络模型的基础上加入了GM（0,4）模型对污染物排放量进行预测。在预测的过程中，首先对污染物排放历史数据进行了数据预处理，从而避免了异常数据；然后根据人口因素、产业分布等因素与污染物排放量之间的关联度情况，选择关联度最大的三个因素，将这些因素和预处理后的排放量数据序列作为GM（0,4）模型的输入，得到预测值1；并使用改进的GM（1,1）模型对污染物排放情况进行预测，得到预测值2；然后，将两种预测模型预测结果进行权系数求解，得到初步预测值；最后使用BP神经网络对其残差进行修正，将残差修正值和初步预测值加起来，得到最后的污染物排放量预测值。本文在验证阶段使用成都市某区县2002年至2008年污染物排放数据以及人口因素、产业分布等相关因素的历史数据作为基础数据，模拟该区县2009年至2012年的污染物排放量，并与单一预测模型预测结果进行比较来验证模型的准确性。模拟结果显示，改进的组合预测模型的四种污染物排放量模拟值平均误差均小于4%，最小误差仅为0.10%，误差率远远小于其它单一模型，与实际值较为吻合，具有很高的精度，适用于污染物排放量预测。最后，本文通过编程语言实现了污染物排放量预测系统，该系统通过简单的操作就可以直观的展示预测结果以及结果分类，为环保工作人员的减排工作提供了决策支持。