本文以西安市2001年6月1日至2007年3月15日各监测点逐日PM10浓度监测值和对应的气象资料为研究对象，进行西安市PM10污染预测研究。　　 分析了西安市PM10污染年、月、采暖季和非采暖季的变化特征，发现采暖季的PM10浓度明显大于非采暖季，并对PM10污染进行了原因分析。　　 PM10的污染与气象条件密切相关，通过PM10污染与气象条件的相关分析．　　 可建立PM10污染浓度预报模型。而这些因素与污染物浓度的关系往往是非线性的．　　 建立这些因素与污染物浓度的精确数学模型较为困难，而传统的数学模型与统计方法难以取得理想的预测效果。要对其进行较为准确的预测，就必须采取能捕捉非线性变化规律的预报方法，而RBF人工神经网络正是一种解决非线性问题的有力工具，因此，本文选用RBF神经网络分采暖季和非采暖季建立西安市PM10浓度预测模型。先用RBF神经网络对影响采暖季和非采暖季的气象因子与PM10浓度进行相关性分析，得到主要的影响因子，再建立主要影响因子与PM10浓度之间的模型。本文选用了RBF神经网络中的正交最小二乘法和最近邻聚类法建立了预测模型，并对模型进行了检验，得到采暖季正交最小二乘法建立的模型的预测准确率平均为64.09％，最近邻聚类法建立的模型的预测准确率平均为74.47％；非采暖季，正交最小二乘法建立的模型的预测准确率平均为74.01％，最近邻聚类法建立的模型的预测准确率平均为79.48％。