تا كنون مدلهاي زيادي براي تشريح فرآيند پيچيدة آلودگی هوا پيشنهاد شده است. یکی از روشهاي نوين در تشريح فرآيند آلودگی هوا شبکه های عصبي مصنوعي می باشد. اين روش كه يكي از شاخه های هوش مصنوعي به شمار می آید، به دليل ساختار ریاضی غير خطي و نیز پیش بینی قابل قبول در ميان محققین رواج يافته است. این مطالعه به مقايسهنتایج حاصل از دو مدل متفاوت از شبکه های عصبی مصنوعي 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 تعيين بهترين معماری در هر دو شبکه, مشاهده شد كه نتايج حاصل از شبكه عصبي RBF از دقت قابل قبول تري 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 بیشترین تاثیر را در بین سه پارامتر مذکور پیش بینی غلظت بنزن دارد.