چکیده: با توجه به کاربردهای روز‌افزون شبکه‌های عصبی در حوزه‌هایی چون کلاسه‌بندی داده‌ها، تخمین توابع یا رگرسیون‌ و پیش‌بینی سری‌های زمانی تلاشهای بسیاری در راستای رفع نواقص آنها انجام شده است. یکی از دلایلی که باعث محدود شدن کاربرد شبکه‌های عصبی می‌شود مرحله آموزش آن‌هاست. در بخش آموزش شبکه‌ها معمولا تنظیم پارامترهای آموزش مانند تعداد نرون‌های لایه‌ی مخفی در شبکه‌ی عصبی چند لایه عملی چالش‌برانگیز بوده و نیاز به تجربه دارد. همچنین مشکلاتی مانند نقاط کمینهی محلی و همگرایی به یک پاسخ نامناسب که ممکن است در هنگام استفاده از الگوریتم‌های مبتنی بر گرادیان رخ دهد، از جمله مسائلی هستند که می‌توان آن‌ها را بیش‌تر مورد مطالعه و بررسی قرار داد. در این پایان‌نامه، آموزش و پیش‌بینی ساختار شبکه‌ی عصبی مصنوعی توسط الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای طبقهبندی چند مجموعه داده‎ی معیار و تخمین برخی توابع صورت گرفته است. در روش پیشنهادی، از شبکه عصبی چند لایه‌ی MLP و ترکیب آن‌ با الگوریتم PSO برای کلاسه‌بندی و پیش‌بینی ساختار شبکه و از ترکیب شبکه‌ی عصبی پایه شعاعی RBF و PSO نیز صرفا برای تخمین تابع و پیش‌بینی ساختار آن استفاده شده است. مقایسه‌ی نتایج به دست آمده با تحقیقات مشابه صورت گرفته و نتایج حاصل از نرم افزار متلب نشان از برتری الگوریتم پیشنهادی دارد. به طوری که به عنوان مثال برای چندین مجموعه داده‌ی چند کلاسه در کلاسه‌بندی دقت نزدیک به 100 درصد حاصل شده و در تقریب تابع نیز برای اکثر مجموعه داده‌های پیوسته، تخمین کاملی صورت گرفته و در عین حال ساختار مناسب شبکه نیز پیش‌بینی شده است.