随着社会生产的发展，城市大气污染日益严重，对大气污染物浓度的预报也越来越受到重视。大气污染物浓度预报中，统计预报方法特别是神经网络方法是一个研究热点。　　本文以黑龙江省环保局“大气环境智能分析预报系统”工程项目和国家自然科学基金资助项目“复杂大系统行为的智能自校正模型研究”（批准号：60474069）为背景，针对神经网络建模中遇到的问题，研究了模糊粗糙神经网络（FuzzyNeuralNetwork,FRNN）的建模方法和在大气污染物预报建模中的应用。　　首先，为了给后面的研究内容提供高效的算法支持，基于二进制编码和实数编码形式，提出了一种混合遗传算法PSOIGA。这种算法在遗传算法的基础上对其算子和控制参数进行了改进，引入新的粒子群优化算子。通过典型优化问题，验证了这些算子的改进和新算子的引入是有效的，同时也说明PSOIGA在该应用上是一种相对高效的全局优化算法。这些工作为后面的属性约简和协同进化算法提供了高效的算法支持。　　其次，为了解决神经网络输入维数难以确定的问题，提出用粗糙集理论中的属性约简来确定神经网络的输入维数。在深入研究模糊粗糙集模型的基础上，改进了相对约简的定义，并提出了一种基于PSOIGA-B的求混合决策系统相对约简的算法。针对在线的混合决策系统，提出了顺序约简的定义和相应的顺序约简算法。仿真证明两种约简算法能有效地降低系统输入维数。　　然后，对现有的FRNN进行改进，提出了一种适用于建模的FRNN，证明了FRNN的全局逼近能力，推导了FRNN的BP学习算法，说明了FRNN与模糊规则的对应关系，从而为FRNN在建模中的应用奠定了基础。　　再次，针对FRNN的结构和参数训练，提出了两种FRNN建模方法。第一种为协同进化方法，通过引入一个布尔向量表示FRNN的结构，从而把FRNN设计问题转化为一个函数优化问题，适应度函数同时考虑模型的精确性和网络的节俭性。基于PSOIGA的协同进化同时优化FRNN的结构和参数。第二种方法为决策逻辑方法，从实际的数据出发，提取决策规则，映射成结构节俭的FRNN，提出了ChaosLS算法训练FRNN的参数，并用建模实验，研究了输入输出空间划分对FRNN模型性能的影响问题。仿真结果表明，两种方法得到的FRNN模型均优于文献中基于普通神经网络的模型。　　最后，利用前面讨论的方法，以NO2下一小时平均浓度为例建立了哈尔滨市冬季大气污染物浓度预测模型。基于模糊粗糙集模型下的属性约简对实际数据构成的决策系统进行分析，确定了网络的输入物理量；分别利用协同进化的方法和决策逻辑的方法，建立了以当前时刻的气象变量和污染物小时平均浓度为输入，下一时刻污染物小时平均浓度为输出的FRNN预测模型。仿真结果表明，FRNN模型的精度和泛化能力都超过了普通三层前馈网络的性能，而协同进化方法得到的FRNN模型则优于决策逻辑方法建立的FRNN模型。