大气是人类赖以生存和发展的必不可缺的环境要素之一。然而,随着现代工业的迅速发展和城市人口的急剧增长,造成了大量化石燃料的燃烧。燃烧所产生的化学物质以废气和烟尘等形式排放到大气中,超过了大气环境的容许量,给人类的生活生产和身体健康带来严重的影响。世界卫生组织和联合国环境组织发表的一份报告说:“大气污染已成为全世界城市居民生活中一个无法逃避的现实。”因此开展大气污染预测的研究可预防严重污染事件的发生,为政府的管理和决策部门对可能发生的污染事件采取措施,为公众的社会活动安排提供了参考依据。本文提出了一种基于BP神经网络的新型混合预测模型。为评估预测模型的精确性及有效性,选取了中国甘肃省兰州市2016年的大气颗粒物PM2.5和PM10的历史数据作为案例进行分析预测。为了建立一个有效的PM2.5和PM10的预测模型,首先,变分模态分解(Variational Mode Decomposition,VMD)技术在数据预处理阶段用于重构数据。其次,在优化BP神经网络的权值和阈值时,提出了一种基于自适应粒子群算法(APSO)改进的蚁群算法(ACO)混合优化算法。最后,对预测结果进行了多种方式的比较分析。实验结果表明本文所提出的混合预测模型(VMD-APSOACO-BP)预测精度较高。与此同时,该模型基本拟合了大气颗粒物浓度变化的趋势和波动,因此能够为当地政府对污染指数的预测及研究提供一定的决策支持。