随着经济的高速发展、人口的快速增加以及人类对自然资源的过度开发和利用，空气污染问题日益严重，已经成为全球人类共同面临和关注的问题。近年来，我国经济的高速发展造成了严重的大气污染，许多城市受到光化学污染的威胁，高浓度臭氧经常被观测到。光化学污染是一种严重危害人体健康和工农业生产的二次污染物。O3为光化学烟雾的特征污染物之一，具有强氧化能力，高浓度的近地面O3将加快材料老化，影响人类健康，对眼睛和呼吸道有很强的刺激性，损害人体肺功能，甚至导致各种疾病，导致农作物减产，对生态环境造成严重的危害。鉴于O3的增加对人体和农作物的危害作用，许多国家和地区都投入了大量人力物力进行近地面的O3观测和研究。本论文采用伦敦市O3的历史小时平均浓度数据，利用人工神经网络技术建立预报模型，定量预测伦敦市O3的小时平均浓度，借助神经网络的非线性处理能力和容噪能力，设计出基于人工神经网络空气污染预报方法，为环境管理决策提供及时、准确、全面的环境质量信息。 本论文首先选择误差反向传播网络作为污染物浓度预测的工作网络，并提出采用贝叶斯归一化训练算法来训练网络，确定了网络基本结构。其次论文通过反复试验分别验证并讨论了以下几项内容： 1、具体讨论了前12小时、后12小时分别建模与否对提高网络预测精度的影响。 2、采用提前停止法来训练网络是否可以提高网络的预测性能。 3、加入气象因素对于网络预报性能的影响。 4、论文还提出了利用自组织竞争网络将一年分为不同季节，按季节分别建立不同污染物各小时污染物浓度预报网络，以提高网络预测性能的办法。 5、扩大样本集数据是否有利于提高网络预测精度。论文最后建立了预测精度可达31．6％的O3浓度污染预报模型，试验结果表明所建立的预报网络对O3的小时浓度有较好预测精度和良好的泛化能力。 论文的研究从实践上证明了人工神经网络用于空气污染预报的可行性，它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法，也为充分利用海量环境数据提供了一种切实可行的方法。