针对PM2.5浓度非线性动态变化的特点,提出了一种自组织递归模糊神经网络(self-organizing　recurrent　fuzzy　neural　network,SORFNN)方法预测PM2.5小时浓度.首先,通过分析影响PM2.5浓度的多种因素,利用主成分分析法(principal　component　analysis,PCA)筛选出与PM2.5浓度相关性较强的特征变量作为神经网络的输入变量.然后,根据ε准则和偏最小二乘算法(partial　least　squares,PLS)进行规则化层神经元的增删,实现递归模糊神经网络结构的自动调整,并采用学习率自适应的梯度下降算法调整模型中心、宽度和权值等参数,建立PM2.5预测模型.最后,利用典型非线性系统辨识和实际PM2.5浓度预测实验进行验证.实验结果表明,所设计的自组织递归模糊神经网络结构精简且预测精度高,较好地满足了PM2.5实时预测的要求.