هوا ی پاکیزه و سالم یکی از چهار رکن اصلی(آب،خاک،آتش و باد یا همان هوا) طبیعت است که آلوده شدن آن می تواند منجر به ناتعادلی زیستی و به تبع آن بروز صدمات بهداشتی و اقتصادی جبران ناپذیر گردد.لذا به منظور جلوگیری از آلودگی این منبع ارزشمند در مرحله اول اتخاذ راهکارهایی برای پیش بینی میزان آلودگی هوا و در مرحله بعد مدیریت بهینه آن لازم و ضروری است.آلودگی هوای شهرتهران یکی ازبزرگترین معضلات زیست محیطی این شهر بشمارمی آید از طرفی تهران تحت تأثیر دلایل زیادی که یکی از آنها موقعیت جغرافیایی اش می باشد از نظر آلودگی هوا شرایط بسیار بدی دارد و به همین دلیل توسعه روشهای پیشبینی و سیستمهای هشدار در موردکیفیت هوا از جمله نیازهای روزافزون شهروندان تهرانی می باشد. اما فاکتورها و عوامل مختلفی بر روی این پدیده تاثیرگذارند که تحلیل آنها را مشکل می سازد.مدل های آماری و رگرسیون از معمول ترین روشهای تحلیلی می باشند که غالبا با توجه به حل خطی این پدیده ها،نتایجی همراه با خطا ارائه داده و نمی توانند تغییرات زمانی پدیده مورد نظر را با دقت قابل قبول مدل کنند.امروزه سیستم های هوشمند فازی و عصبی با توجه به توانایی در حل پدیده های غیرخطی و پیچیده ،کاربردهای فراوانی در آلودگی های مختلف هوا از جمله میزان ذرات گرد و غبار معلق هوا پیدا کرده اند،که در این تحقیق نیز به ارزیابی این سیستمها در پیش بینی میزان گرد و غبار معلق هوا در آن پرداخته می شود. دراین پژوهش،ازشبکه های عصبی مصنوعی (artificial neural networks) به عنوان ابزاری توانمند درمدل سازی فرآیندهای غیرخطی ونامعین،به منظور پیش بینی میزان غلظت ذرات گرد و غبار شهر تهران استفاده شد.از نرم افزار matlab 7 و در شاخه neural network برای پیش بینی کمک گرفته شد.ورودی های مدل ann شامل داده های غلظت ذرات گرد و غبار،دمای هوا و سرعت باددر محدوده شهر تهران است که این داده ها بازه زمانی سال های 2006 تا 2010 را دربر می گیرند.اطلاعات چهار سال اول یعنی سال های 2006 تا 2009 برای آموزش مدل ها وداده های یک سال باقی مانده یعنی 2010 برای آزمایش آنها به کار رفته است.شبکهمورداستفادهازنوعپرسپترونچندلایه(multi-layer perceptron) با الگوریتم پس انتشار خطا (back propagation) و تکنیکهای یادگیری traingdm و trainlmاست.نتایج این تحقیق نشان می دهدمقایسه مقادیر پیش بینی شده با مقادیر داده های واقعی گزارش شده، همان طور که انتظار می رفت تقریبا یکسان می باشد و این نشانگر کارایی این سیستم برای سایر پیش بینی ها می باشد و با استفاده از این شبکه می توان غلظت ذرات گرد و غبار را با دقت بالای 95% پیش بینی کرد.