我国目前的空气质量环境存在很多问题,其中PM2.5和PM10的大气污染物较为突出。空气污染不仅影响当地人们的身心健康,而且严重破环生态环境,对城市的经济发展、投资环境影响甚大。我们如果能在实时检测大气污染的同时,再研发出空气质量预测系统,这将会使我们达到主动预防的目的从而改善环境。国务院也在相关计划中明确提出全国各地需“建立监测预警体系,提高监测预警的准确度,及时发布监测预警信息。”经典的回归统计模型和数值预报模型是当前国内外大多数城市用于空气质量预测所采取的方法,但不能满足海量数据的管理和利用,准确率较低,没有形成良好的决策支持功能。BP人工神经网络主要用于函数逼近,具备非线性处理能力和容噪能力。然而在实际应用中BP也会有很多缺陷,网络训练可能会陷入局部极小点,学习算法的收敛速度慢等。故本文用遗传算法来优化BP神经网络模型的初始权阈值以进一步提高空气质量预测能力。为此本文研究了在Delphi环境下实现基于遗传算法和BP神经网络相结合的空气质量预测模型。本文所做的主要工作有以下几个方面：(1)根据收集的2011-2015年5年的空气污染物浓度数据研究得出规律,从2015年的1月到2月可看出主要要污染物为PM10和PM2.5,且浓度在增加。在2011-2014全年中,S02年均浓度前两年相同,后两年年均浓度在增加；N02年均浓度在前2年年增加,13年少降,14年又大幅增加；可吸入颗粒物年均浓度在11-14年中,一直在不断增加。分析了六安气候特征,空气质量如何划分等级,为后面基于时间序列的网络模型确立输入因子。(2)研究了BP神经网络的结构、学习方法,用Delphi编制了BP神经网络模型。概述了经典统计模型,预测2011年1月到12月的S0：污染物浓度值。再用5-5-1网络结构的BP模型,以10月份为训练数据预测11月份值,并与经典统计模型预测的11月份值进行实验对比,结果显示BP网络模型性能较好。(3)分析BP神经网络模型的缺陷,研究了遗传算法,在其算法实现中如何进行选择、交叉、变异,以及遗传算法如何解决编码、适应度函数和在本文中如何用它来优化BP神经网络初始权阈值的问题。优化后的BP模型较优化前的BP模型,其实验对比结果显示优化后的网络误差在进一步减小。(4)用Delphi编制出BP-GA相结合的空气质量预测模型。分别用5-5-1网络结构的BP模型、BP-GA模型与传统的统计模型去预测S02的污染物浓度值,对3种模型的实验结果进行分析；均用5-5-1网络结构的BP模型和BP-GA模型分别预测PM10,PM2.5,NO2的值,两种模型性能作比较；用10-5-1网络结构的BP-GA模型预测PM10与5-5-1网络结构的BP-GA模型预测PM1o,两种网络结构分别作比较。