چکیده: در قسمت اول این تحقیق، مطالعات ارتباط کمی ساختار- خاصیت (QSPR) بر روی شاخص بازداری 60 ترکیب آلی فرار (VOCs) انجام گرفت. دو روش برازش مرحله ای (SR) و الگوریتم ژنتیک (GA) برای انتخاب توصیف کننده های مناسب استفاده شد. توصیف کننده های انتخاب شده از این دو روش برای مدل سازی و پیش بینی شاخص بازداری این ترکیبات وارد شبکه عصبی مصنوعی (ANN) شدند. به منظور بررسی اعتبار این مدل ها از روش های مختلفی مانند به کارگیری سری تست، رد مرحله ای تک تک داده ها و y- تصادفی استفاده گردید. نتایج به دست آمده بیانگر توانایی خوب هر دو روش SR-ANN و GA-ANN برای پیش بینی شاخص بازداری می باشد. ضرایب تعیین سری تست با روش های SR-ANN و GA-ANN به ترتیب 0/995 و 0/992 بود. در قسمت دوم، مطالعات QSPR بر روی شاخص بازداری تعدای از ترکیبات استرول انجام شد. همانند قسمت اول، از روش های SR و GA برای انتخاب متغیرهای مناسب استفاده شد و توصیف کننده های منتخب برای مدلسازی و پیش بینی شاخص بازداری این ترکیبات وارد شبکه عصبی مصنوعی (ANN) شدند. ضرایب تعیین سری تست با روش های SR-ANN و GA-ANN به ترتیب 0/944 و 0/920 بود. نتایج نشان می دهد در این قسمت نیز هر دو روش از قدرت پیش بینی مناسبی برخوردار بودند.