با توجه به افزایش مشکلات ناشی از آلودگی هوا به¬واسطه رشد و توسعه جوامع شهری، کنترل و کاهش آلاینده¬ها امری ضروری است. این تحقیق بر پایه تخمین میزان غلظت آلاینده¬های هوا، به جهت برنامه¬ریزی و کاهش اثرات مضر آن و تلاش در جلوگیری از رسیدن به حالت بحران است. هدف، توسعه مدلی است که بتواند بین غلظت آلاینده¬های موردنظر so2) و (no2 و پارامترهای هواشناسی نظیر(دمای حداکثر، دمای حداقل، رطوبت نسبی، تابش خورشید، سرعت باد و جهت باد) ارتباط برقرار کرده و میزان غلظت آلاینده¬ها، با دقت قابل قبول تخمین زده شود. با توجه به کارآیی بسیار بالای شبکه های عصبی مصنوعی در مدل¬سازی سیستم¬های غیرخطی از شبکه¬های عصبی نرو-فازی(anfis) و ترکیب شبکه¬های عصبی مصنوعی با مدل¬ ماشین¬های بردار پشتیبان(svm) استفاده شده است. به¬منظور تخمین غلظت این آلاینده¬ها، داده های ایستگاه هواشناسی سینوپتیک ژئوفیزیک تهران عنوان پارمترهای ورودی شبکه عصبی استفاده شدند. شبکه¬¬های عصبی نرو-فازی(anfis) با انواع مختلف و تعداد متفاوت از توابع عضویت آموزش داده شد و بهترین شبکه با کم¬ترین خطا در ایستگاه اقدسیه انتخاب شد. هم¬چنین، خوشه¬بندی داده¬های ورودی شبکه¬های عصبی مصنوعی پرسپترون چند لایه(mlp) با ماشین بردار پشتیبان(svm) و ترکیب آن¬ها به عنوان بهترین شبکه با کم¬ترین خطا در ایستگاه ژئوفیزیک انتخاب شد. نتایج به¬دست آمده نشان می¬دهند، مدل¬های بکار رفته به¬خصوص anfis، به¬خوبی می¬توانند میزان غلظت آلاینده¬ها را در مناطق مختلف با همین شرایط آب و هوایی برآورد نمایند.