可吸入颗粒物PM1o近年以来一直是上海市大气中的首要污染物,它的生成、传播与转化是一个多因子共同作用下的非线性过程,为探索这一非线性变化过程,本文先从传统统计学的角度分析了PM10的时空变化规律,后在此基础上建立了以现代非线性逼近技术为核心的预报模型,并对模型间的性能进行了分析与比较。主要工作内容概括如下：(1)运用统计方法分析了近年来上海市PM10污染的时间变化规律和特征,结果表明近十年上海市PM10污染逐年得到改善,并呈以季节性波动为主的年变化和以双峰双谷为主的日变化特征。分析了上海市各区县PM1o污染指数的空间分布特征及变化趋势,发现该区域内PM10污染的空间分布在整体上呈现一个环状结构。统计了上海与相邻城市PM10的空间分布,发现其偏西方向上的苏州、南通、嘉兴的PM10污染水平整体都较上海高。通过对API指数与常规气象资料间的相关性进行分析,发现气象条件对污染物的扩散和传播有着一定的影响,并且这种影响随季节变化。(2)运用偏最小二乘回归分析结合交叉验证的方法分季节提取各季API指数的预报因子,发现不同季节的主成分数目存在差异。构建PLS回归模型并将其与逐步多元回归进行预报性能对比,可知两种算法效果相当的情况下,PLS法的结果更优、提取的预报因子集更精简,这表明PLS法是更为有效的因子筛选方法。(3)为提高模型的性能,本文以遗传算法优化手段对BP神经网络的权值进行了优化,以网格搜索结合交叉验证的方法对SVM模型的参数进行了寻优,后分别检验了两种优化方案的性能,发现经优化过的BP模型和SVM模型性能都有一定的提高。(4)以PLS筛选出的成分矩阵作为预报因子集,并以气象学标准划分四季,分别建立适用于各季的PLS、GA-BP、SVM预报模型,利用这些模型分别对08年各季季末30天的API指数进行了模拟。采用四项指标对它们的预报性能进行了统计对比分析,结果表明这三种方法的性能都存在季节性差异,夏冬季相对较好、春秋季相对较差;其次发现这三种方法的预报性能在各项指标上存在差异,不能一概而论区分孰优孰劣,可针对不同目标需求选取相应的模型。