本文以西安市2001年至2007年采暖季（每年的11月15日～次年的3月15日）各监测点监测的PM₁₀日均浓度和对应的气象资料为研究对象,进行西安市采暖季PM₁₀污染浓度预测研究。本文分析了西安市PM₁₀污染浓度年变化特征,对比了采暖季与非采暖季PM₁₀污染浓度,采暖季的PM₁₀平均浓度明显大于非采暖季。因此,本文针对西安市采暖季的PM₁₀浓度及其同步气象资料进行分析研究。PM₁₀污染受很多气象因子的影响,通过对PM₁₀浓度与各个气象因子的相关性分析,确定前日PM₁₀浓度、14能见度、08能见度、平均风速、日均湿度、08湿度、08露温、日照时数、08气温-08露温、日均气压、08气压、08气温共12个气象影响因子作为采暖季PM₁₀污染浓度预报模型的输入因子。本文将遗传算法和BP神经网络相结合,首先采用遗传算法优化BP神经网络的连接权值,再将优化后的权值代入网络结构为12-4-1的三层BP神经网络模型进行训练,最后用训练好的GA-BP模型对西安市采暖季的PM₁₀污染浓度进行预报研究。研究结果显示:遗传迭代次数6次、训练步长为60时就已经达到了精度要求,缩短了网络学习时间,网络训练收敛速度较快,并且对样本集的拟合效果较好,预报准确率为84.9%。本文还分别利用逐步回归法和BP神经网络模型预测方法,采用相同输入因子对同一预测样本数据进行了预测,预测的准确率分别为76.4%、81.9%,并将预测结果与本文所采用的GA-BP模型进行对比分析,经过对比发现GA-BP模型的准确率相对较高、性能较优。