由汽车排气中的颗粒物给城市环境带来的污染愈来愈引起管理部门的重视,已有研究表明,PM_2.5是造成城市雾霾天气的主要因素,而城市汽车保有量的激增使得汽车排气中的PM_2.5成为城市大气环境主要污染物来源之一。汽车排气中的PM_2.5相对于大气环境中的其他PM_2.5排放源,其扩散是由排气管口到近地面再至大气环境中,对汽车排气PM_2.5分布扩散特征及其影响因素的研究,对于评价交通微环境的污染状况及其对大气环境污染的影响度可提供技术依据。分析PM_2.5来源和化学特性,依据实际空气质量数据,对二次颗粒物的形成机理和与主要气体污染物相关性进行研究,较强的相关性表明了汽车排气是城市中PM_2.5的主要来源。针对PM_2.5浓度扩散,分析了气象条件、排放强度等因素的影响。通过测试固定环境中的汽油车排气口后方区域的沿排气管轴线方向和垂直于轴线方向的纵向平面内的径向方向PM_2.5浓度数据,研究了排气口后方空间区域的PM_2.5浓度扩散特征。在测试车辆排气流速的影响下,排气口下方区域的PM_2.5浓度在10～190μg/m3之间变化,明显高于其他区域,但整体变化趋势均是先上升后下降直至趋于稳定的PM_2.5背景浓度值。实际观测了城市街道交通微环境下的PM_2.5浓度、车流量、街区几何结构、气象因子等数据,研究车流量较大情况下的PM_2.5浓度扩散分布和影响因素的相关性状况。依据大量的测试数据分析交通微环境中移动污染源汽车排放PM_2.5由道路到人行活动集中区域的扩散。从定量的角度,运用SPSS软件对所有影响因素的测试数据进行多元线性回归,分析各因素对污染物扩散的影响程度。风速、PM_2.5排放强度和街区结构对PM_2.5的扩散有决定性作用,在人行活动最为集中的区域中,街区结构对PM_2.5扩散的影响最为强烈。采用LM算法改进标准BP神经网络,把实测数据作为神经网络的训练样本,建立了基于LMBP神经网络的PM_2.5浓度预测模型。由于交通微环境中的PM_2.5浓度是短期预测,系统对预测结果的实时性要求较高。LMBP神经网络能够实现快速训练和准确预测,可以满足短期在线预测对实时性的要求,预测效果较好。