چکیده: در دهه اخیر استفاده از تکنیک‌های هوش مصنوعی در حل مسائل علمی افزایش چشمگیری داشته است. شبکه‌های عصبی مصنوعی در مسائل دسته‌بندی و شناسایی الگو استفاده فراوانی دارند. یکی از بزرگ‌ترین مشکلات شبکه‌های عصبی مصنوعی ضعف در تفسیر نتایج خویش است. اگرچه شبکه‌های عصبی مصنوعی قادرند عملیات دسته‌بندی را با دقت بالایی انجام دهند، اما عدم شفافیت دانش ارائه شده توسط شبکه عصبی باعث می شود که نتوان نتایج آن را به راحتی در سایر سیستمها استفاده نمود. بدین منظور محققین سعی دارند تا با استخراج قوانین از شبکه عصبی این مشکل را رفع نمایند. امروزه روش‌های استخراج قانون متعددی وجود دارد که اغلب قادرند عملیات انجام شده توسط شبکه عصبی مصنوعی بر روی یک مجموعه داده ساده را در قالب یک مجموعه قانون ساده ارائه نمایند. اما این روش‌ها معمولاً در مقابل مسائل نسبتاً پیچیده از دقت پایینی برخوردار بوده و دقت بدست آمده از قوانین قابل مقایسه با نتایج شبکه عصبی نیست. در این پایان‌نامه روش جدیدی به منظور استخراج قانون از شبکه عصبی مصنوعی تحت عنوان روش استخراج قانون چهارمرحله‌ای (FSRE) معرفی شده است. این روش قادر است دسته‌بندی انجام شده بر روی یک مجموعه داده را به مجموعه‌ای ساده، مفید و کارا از قوانین گزاره‌ای تبدیل کند. در استفاده از این روش، محدودیتی در پیچیدگی داده‌ها وجود ندارد. برای بررسی عملکرد و نتایج این روش، از چند مجموعه داده رایج در عملیات دسته‌بندی (برگرفته از پایگاه داده UCI) در این پایان‌نامه استفاده شده است. نتایج بدست آمده نشان داد که روش پیشنهادی نسبت به روش‌های موجود از دقت و کارایی بیشتری در استخراج قانون برخوردار است.