La predicción precisa de las concentraciones del Índice de Calidad del Aire (AQI) sigue siendo un desafío crítico en el monitoreo ambiental y la gestión de la salud pública debido a las complejas relaciones no lineales entre múltiples factores atmosféricos. Para abordar este desafío, proponemos un nuevo modelo de predicción que integra un algoritmo de optimización por enjambre de partículas con pesos adaptativos (AWPSO) con una red neuronal de retropropagación (BPNN). Primero, se utiliza el algoritmo de bosque aleatorio (RF) para seleccionar los factores que influyen en la concentración de AQI. En segundo lugar, se mejoran los pesos de inercia y los factores de aprendizaje del PSO estándar para garantizar la capacidad de búsqueda global que exhibe el algoritmo en la etapa inicial y la capacidad de obtener rápidamente la solución óptima en la etapa posterior; también introducimos un algoritmo de variación adaptativa en el proceso de búsqueda de partículas para evitar que las partículas queden atrapadas en óptimos locales. Finalmente, la BPNN se optimiza utilizando el algoritmo AWPSO, y los valores finales de las iteraciones de partículas optimizadas sirven como pesos de conexión y umbrales de la BPNN. Los resultados experimentales muestran que el modelo RFAWPSO-BP reduce el error cuadrático medio y el error absoluto medio en 9.17 g/m, 5.7 g/m, 2.66 g/m; y 9.12 g/m, 5.7 g/m, 2.68 g/m en comparación con los modelos BP, PSO-BP y AWPSO-BP, respectivamente; además, la bondad de ajuste del modelo propuesto fue un 14.8%, 6.1% y 2.3% superior a la de los modelos mencionados anteriormente, demostrando una buena precisión de predicción.