وجود مشکلات و بحران‌های زیست‌محیطی در جهان باعث شده است تا طی نیم قرن گذشته اهمیت بحث در مورد محیط-زیست و مسایل زیست‌محیطی بیشتر شود. در این میان آلودگی هوا به عنوان یکی از معضلات زیست محیطی ده‌های اخیر در ردیف یکی از زیان‌بار‌ترین بلایای طبیعی قرار گرفته است. با توجه به اثر گذاری زیان بار ذرات معلق بر روی سلامت انسانها، پیش‌بینی مقدار غلظت این ذرات در روزهای آینده می‌تواند سبب کاهش این اثرات شود. لذا در این مطالعه ازدقت مدل‌های خطی شامل رگرسیون خطی چند‌گانه (MLR) و خود‌رگرسیون میانگین متحرک انباشته (ARIMA) و از مدل غیر خطی شبکه عصبی رگرسیون عمومی (GRNN) برای پیش‌بینی ذرات معلق PM2.5 در شهر سنندج برای انتخاب دقیقترین مدل مورد آزمون قرار گرفت. مدل شبکه عصبی رگرسیون عمومی در این مطالعه برای اولین بار است که در ایران برای پیش‌بینی آلودگی اتمسفراستفاده می‌شود. داده‌های مربوط به کیفیت هوا شامل PM10، SO2، NO2، CO، O3 و داده‌های مربوط به هواشناسی شامل میانگین حداقل دما (MinT)، میانگین حداکثر دما (MaxT)، میانگین فشار جوی (AP)، بارش کل روزانه (PR)، رطوبت نسبی روزانه سطح هوا (RH) و سرعت باد روزانه (WS) مربوط به سال 1393 به عنوان متغیر‌های مستقل و میزان غلظت ذرات معلق PM2.5 به عنوان متغیر وابسته در نظر گرفته شدند. نتایج نشان داد که مدل شبکه عصبی رگرسیون عمومی با مقدار R2=0.81، RMSE=6.9468 و MAE=5در مرحله آموزش و مقدار R2=0.74، RMSE=5.0725و MAE=3.4874 در مرحله آزمون بهترین عملکرد را نسبت به مدل‌های خطی در پیش‌بینی ذرات معلق PM2.5در شهر سنندج داشته است.