یکی از چالش هایی که در کلان شهر ها , به خصوص در تهران وجود دارد آلودگی هوا شهر می باشد که اثرات تخریب کننده ای بر سلامت عمومی دارد. با توجه به گسترش صنایع مختلف و افزایش تعداد اتومبیل ها , کاهش آلاینده های هوا امری اجتناب ناپذیر به نظر می رسد زیرا حذف کلیه منابع انتشار آلودگی یا وارد نشدن آلودگی به آتمسفر غیر منطقی است. بلکه باید آلودگی تا حدی کاهش یابد که اثرات مخرب قابل توجهی بوجود نیاورد. یکی از این آلاینده ها بنزن می باشد که به دلیل ماهیت هیدروکربنی آروماتیکی که دارد , به خصوص در غلظت های بالا می تواند مشکلات زیادی را به وجود آورد , از مهم ترین منابع به وجود آورنده این آلاینده می توان به صنایع و خودرو های فرسوده اشاره کرد. تاکنون نیز مدلهای زیادی برای تشریح فرآیند پیچیده آلودگی هوا پیشنهاد شده است. یکی از روشهای نوین در تشریح فرآیند آلودگی هوا شبکه های عصبی مصنوعی می باشد. این روش که یکی از شاخه های هوش مصنوعی به شمار می آید، به دلیل ساختار ریاضی غیر خطی و نیز پیش بینی قابل قبول در میان محققین رواج یافته است. این مطالعه به مقایسه نتایج حاصل از دو مدل متفاوت از شبکه های عصبی مصنوعی یعنی) rbf radian bases function(و multi layer perceptron(mlp) در پیش بینی غلظت بنزن هوای شهر تهران با استفاده از داده های درجه حرارت ساعتی , سرعت باد و درصد رطوبت پرداخته است. پس از تعیین بهترین معماری در هر دو شبکه, مشاهده شد که نتایج حاصل از شبکه عصبی rbf از دقت قابل قبول تری نسبت به شبکه عصبی mlp برخوردار است . بدین ترتیب که در شبکه عصبی rbf ضریب همبستگی بین داده های پیش بینی و واقعی, 0.9077 و در شبکه عصبی mlpضریب همبستگی 0.868 بدست آمد. در انتها نیز بین داده های ورودی تحلیل حساسیت صورت گرفت که مشخص گردید, درجه حرارت ساعتی , سرعت باد و رطوبت به ترتیب , 46.83%36.26% و 16.9% در پیش بینی غلظت بنزن تاثیر گذار می باشند. همچنین بهترین مقادیر خطای ve , mae و rmse در مدلسازی شبکه rbf به ترتیب 0.46, 5.12 و 0.71 بدست آمد