چکیده: شهر مشهد به‌عنوان دومین کلان‌شهر کشور دارای 3.5 میلیون نفر جمعیت است. آلایندگی زیاد حاصل از منابع و آلاینده‌های گوناگون معضل آلودگی هوا و به دنبال آن اهمیت ارائه راه‌حل برای این مسئله را در این شهر بزرگ دوچندان می‌کند. در این پژوهش یک مدل بر اساس رگرسیون چندگانه (خطی) و یک مدل دیگر بر اساس شبکه عصبی مصنوعی (غیرخطی)، به‌منظور پیش‌بینی غلظت آلاینده‌های CO، PM10 و O3 برحسب شرایط آب و هوایی برای شهر مشهد ارائه‌شده است. داده‌های هواشناسی این تحقیق شامل رطوبت نسبی، جهت باد، درجه حرارت، بارندگی و فشار هوا است که از اداره هواشناسی مشهد (ایستگاه هواشناسی مشهد) گرفته شدند و داده‌های مربوط به وارونگی دما و ترافیک هم با استفاده از نرم افزارهای مربوط به ان‌ها در مدل لحاظ گردیدند. داده‌های آلودگی هوا (غلظت آلاینده های مذکور) از مرکز پایش آلاینده‌های زیست‌محیطی مشهد تهیه شده است. در این تحقیق داده‌های آلودگی هوا در سال 95 و 96 برای ایستگاه آلودگی هوای سجاد شهر مشهد به‌دست‌آمده است. از کل داده‌ها 15 درصد برای تست شبکه، 15 درصد داده‌ها برای اعتبارسنجی شبکه و 70 درصد داده‌ها برای آموزش شبکه انتخاب شدند. سپس میزان ضریب همبستگی بین آلاینده‌های هوا و عناصر اقلیمی بررسی شد که نشانگر تاثیر زیاد سرعت باد (با 38%) و دمای هوا (با 29/2%) بر میزان آلودگی هوا است. شبکه‌ها با یک ، دو، سه و چهار لایه پنهان برای هر آلاینده اجراشده و نتایج به‌دست‌آمده که برای مدت دو سال می‌باشند، به‌صورت جدول و گراف ارائه شدند. این نتایج تایید کننده‌ی توانایی بیشتر مدل شبکه‌های عصبی (با خطای RMSEبرابر 0/137 برای CO) نسبت به روش‌های خطی رگرسیون چندگانه (با خطای RMSEبرابر 0/572 برای CO) هستند. همچنین نتایج نشان داد که استفاده از لایه‌های پنهان بیشتر و تعداد نرون های بیشتر در لایه‌های شبکه عصبی، لزوما منجر به عملکرد بهتر نمی‌شود. پیش بینی مربوط به 5 روز بعد با میانگین خطای 0/97، 0/95 و 0/98 به ترتیب برای CO، PM10 و O3 با استفاده از روش سری زمانی صورت گرفت.