La aplicación del aprendizaje automático y el aprendizaje profundo en la gestión de la contaminación del aire se está volviendo cada vez más crucial, ya que estas tecnologías mejoran la precisión de los modelos de predicción de la contaminación, facilitando intervenciones oportunas y ajustes en las políticas. También facilitan el análisis de grandes conjuntos de datos para identificar fuentes y tendencias de contaminación, contribuyendo en última instancia a estrategias de protección ambiental más efectivas y específicas. La ciudad de Ho Chi Minh (HCMC), una importante área metropolitana en el sur de Vietnam, ha experimentado un aumento significativo en los niveles de contaminación del aire, particularmente de PM, en los últimos años, creando riesgos sustanciales tanto para la salud pública como para el medio ambiente. Dadas las dificultades que plantean los problemas de calidad del aire, es esencial desarrollar metodologías robustas para predecir las concentraciones de PM en HCMC. Este estudio busca desarrollar y evaluar múltiples modelos de aprendizaje automático y aprendizaje profundo para predecir las concentraciones de PM en HCMC, Vietnam, utilizando datos de PM y meteorológicos durante 911 días, desde el 1 de enero de 2021 hasta el 30 de junio de 2023. Se aplicaron seis algoritmos: bosque aleatorio (RF), aumento de gradiente extremo (XGB), regresión de vectores de soporte (SVR), red neuronal artificial (ANN), red neuronal de regresión generalizada (GRNN) y red neuronal convolucional (CNN). Los resultados indicaron que la ANN es el algoritmo más efectivo para predecir las concentraciones de PM, con un valor del índice de acuerdo (IOA) de 0.736 y los errores de predicción más bajos durante la fase de prueba. Estos hallazgos implican que el algoritmo ANN podría servir como una herramienta efectiva para predecir las concentraciones de PM en entornos urbanos, particularmente en HCMC. Este estudio proporciona valiosos conocimientos sobre los factores que afectan las concentraciones de PM en HCMC y enfatiza la capacidad de las metodologías de IA para reducir la contaminación atmosférica. Además, ofrece valiosos conocimientos para los responsables de políticas y funcionarios de salud para implementar intervenciones específicas destinadas a reducir la contaminación del aire y mejorar la salud pública.