高架桥可以缓解汽车数量激增带来交通压力而提升交通运输效率,改善交通拥堵等问题,但是也会导致该区域内交通量的增大和机动车排放的增加,从而加剧了城市大气环境污染。特别是超细颗粒物（UFP）、细颗粒物(PM2.5)和黑碳（BC）等交通污染物与公众健康密切相关,但其在高架桥区域的分布扩散规律尚不明晰。对城市高架桥两侧污染物浓度进行监测和分析有助于保护居民健康和提升城市环境,因此有必要关注城市高架桥区域交通污染物的扩散分布及其影响因素。本文以高架桥为研究对象,采用了多种便携式监测设备展开了移动监测实验。基于UFP、PM2.5和BC的浓度数据和对应的交通、气象条件等实测数据,探究了城市高架桥下风方向的UFP、PM2.5和BC浓度空间分布特征和扩散规律。比较了在有声屏障和组合屏障情况下污染物扩散和分布的变化及其变化的原因。运用了空间差异分析法量化评估了声屏障和组合屏障减少污染物浓度的效果,并分析了其缓解效果的影响因素。最后,在实验数据的基础上提出了高架桥下风方向污染物浓度预测模型。本研究旨在为城市高架桥规划设计、城市道路污染物缓解措施和居民交通污染物暴露评估提供科学的依据。本研究的主要工作如下:首先,在高架桥路段A（无屏障）、B（有组合屏障）和C（有声屏障）三处选取垂直于高架的三个横截面进行移动测量。结果表明在无屏障的条件下,高架桥下风方向的UFP、PM2.5和BC的浓度与到高架桥的距离之间均呈现指数递减趋势。但是,三种污染物在高架桥的下风方向上浓度随着距离衰减的梯度不同,其中,PM2.5浓度衰减梯度远小于UFP。在有声屏障和组合屏障情况下,PM2.5和UFP浓度分布均呈现出先升高后降低的单峰趋势。与无屏障情况相比,声屏障会导致BC浓度在远离高架桥的地方升高。总的来说组合屏障后面的三种污染物浓度更低。其次,采用差异分析法探讨了声屏障和组合屏障的缓解效果。无屏障、有声屏障和组合屏障三种情况下来自高架桥的污染物浓度分别为UFP:2889（±4601）、1692（±2675）和1616（±2300）#/cm3,PM2.5:5.46（±8.28）、5.65（±5.88）、2.71（±6.32）μg/m3和BC:1233（±2995）、737（±2069）、562（±2696）ng/m3。声屏障和组合屏障能够有效的降低污染物浓度,并且组合屏障的缓解效果更好。西安地区道路附近的植被对大颗粒的清除效果更高。需要注意的是声屏障和组合屏障对污染物的缓解效果随着风速增加而有所减弱,较高的风速可以加快污染物的扩散,此时障碍物的存在反而降低了扩散速率。最后,构建了预测UFP、PM2.5和BC浓度变化的BPNN神经网络预测模型。通过对影响因素进行相关性分析确定输入参数,利用BPNN神经网络模型预测高架桥下风方向UFP、PM2.5和BC浓度变化。结果表明BPNN具有较为精准的预测能力且能较好的模拟UFP、PM2.5和BC浓度的变化。最后通过对比拟合优度（R）、符合指数（IA）、均方根误差（RMSE）发现本文构建的BPNN模型在预测UFP浓度的时候效果要优于预测PM2.5和BC。