چکیده: الگوریتم استنتاج تبدیلی ماشین بردار پشتیبان بر اساس خوشه‌بندی طیفی (TSVMSC)، ناهمگنی فضایی در همه مدل ها را در بر می گیرد و نیز انعطاف پذیر بوده و می‌تواند با هر نوع داده ای برای شناسایی الگوها و ساختارهای غالب موجود در داده های چند متغیره سازگاری داشته باشد. این الگوریتم عملکرد پایدار و سطح دقت بالایی دارد. هدف از این رساله، بهبود تلفیق نتایج حاصل از وارون‌سازی داده های لرزه نگاری انکساری و مقاومت‌ویژه با استفاده از روش TSVMSC که یک روش دانش محور است، می باشد. داده‌های توموگرافی لرزه انکساری و مقاومت‌ویژه الکتریکی از محدوده یکی از سدهای در حال ساخت ایران برداشت و مورد تحلیل قرار گرفت. برای بررسی تلفیق مدل در یک وضعیت کنترل شده از داده‌های مصنوعی استفاده شد. بعد از وارون‌سازی داده‌های مصنوعی و صحرایی، برای تلفیق نتایج حاصله، از خوشه‌بندی‌های میانگین k، میانگین فازی، گوستافسون کسل فازی و الگوریتم TSVMSC استفاده شد. با اعتبارسنجی خوشه‌بندی‌های مختلف از لحاظ تفکیک مناطق آبرفت، سنگ بستر با کیفیت متوسط و سنگ بستر با کیفیت خوب، الگوریتم TSVMSC به دلیل در برگرفتن ناهمگنی‌ها و پیچیدگی‌های دو مدل دقیق‌تر و موثرتر بوده است. خوشه‌بندی گوستافسون کسل فازی نیز نسبت به خوشه‌بندی‌های دیگر موفق تر عمل نموده است. با اعتبارسنجی نتایج وارون‌سازی توموگرافی لرزه‌ای انکساری، خطای تخمین سرعت معادل 30/95 درصد محاسبه گردید. بر اساس نتایج حاصل از آزمایش‌ها برای سرعت تراکمی، سرعت برشی و تخلخل، روابط تجربی برای محاسبه سرعت‌های تراکمی و برشی، در این محدوده، به ترتیب با درصد همبستگی 76/5 و 77/5 به دست آمد.