为建立适用于教室的室内PM_2.5预测模型，本研究依据长期监测的教室内环境数据，建立了涵盖室内外环境参数、人员活动因素和季节性因素在内的PM_2.5预测模型。研究中使用了多元线性回归模型和人工神经网络模型，并采用主成分分析法和和熵值法分析了影响室内PM_2.5浓度的总方差的影响因素权重及对BP神经网络输入因子进行降维。结果表明：（1）在采集的13个因素中，对室内PM_2.5的总方差解释大小排名前5的影响因素依次是：室内相对湿度，室内通风量，室内二氧化碳浓度，室外相对湿度，门开启时间占比。（2）采用BP神经网络的预测效果优于传统的多元线性回归，拟合优度R²从0.412上升到0.547。（3）针对BP神经网络，采用交叉验证法验证了各个季节的预测效果，结果表明秋季的预测效果最好，冬季次之，春季最差。（4）采用主成分对数据进行降维和调整BP神经网络的隐藏层数能够优化BP神经网络，可将R²提升至0.71和0.805。本研究可为机械通风下的教室室内PM_2.5预测模型建立提供依据和数据支撑。