日益严峻的空气污染问题是我国亟需解决的环境问题之一,对其进行预测研究是有效治理环境问题的重要环节。本文对神经网络的内部结构和对其参数进行优化的粒子群优化算法进行了研究,根据河南省内17个城市的数据样本,针对神经网络预测模型中存在预测精度低等弊端及粒子群优化算法中存在误差大、收敛慢等问题,建立了基于改进粒子群优化算法的神经网络预测模型。本文的主要研究工作如下:首先,基于有监督的前向型神经网络模型,通过编程实现了对神经网络内部结构的可调节性,根据神经网络中不同的输入变量和隐含层中激活函数的不同,本文设计了4种不同的神经网络模型结构。其次,本文对粒子群优化算法进行改进方面的研究,将Levenberg-Marquart算法与粒子群优化算法相耦合,利用Matlab工具箱,得到基于Levenberg-Marquart算法的神经网络的优化参数,并将其作为粒子群优化算法的初始值,以提出改进的粒子群优化算法。并通过编程实现了对粒子群优化算法的内部误差函数的可自主选取性。最后,分别利用聚类分析和皮尔逊相关性分析对河南省内17个城市的数据进行预处理,找出相关性较强、类别相近的数据,进而选出模型中要用的数据样本,将改进的粒子群优化算法和标准粒子群优化算法在实例应用中对比分析,结果表明前者对神经网络中参数优化后的预测效果更好。在此基础上建立了4种基于改进粒子群优化算法的神经网络空气污染预测模型,并将建立好的4个模型分别在河南省内实例应用,对其预测结果进行分析及对比。结果表明模型2的预测效果最佳,模型3次之,模型1和模型4预测效果不好。本文在河南省建立了有效的基于改进粒子群优化算法的神经网络空气污染预测模型,不仅丰富了神经网络模型和对其参数进行优化的粒子群优化算法的理论,而且可为河南省的空气环境治理工作提供一定的参考。