چکیده: در این تحقیق، مطالعات ارتباط کمی ساختار – خاصیت (QSPR) با استفاده از مدل سازی خطی و غیرخطی برای پیش بینی ضریب خودنفوذی آلکان های خطی به کار گرفته شده است. داده ی مربوط به ضریب خودنفوذی، با استفاده از روش تحلیل مؤلفه ی اصلی(PCA) به چهار دسته ی آموزش، ارزیابی، تست و تست بیرونی دسته بندی گردید. توصیف کننده های ساختار مولکولی محاسبه شد و پس از حذف توصیف‎کننده های اضافی و افزودن دو پارامتر دما و فشار، مدل سازی خطی آغاز گردید. از دو روش رگرسیون مؤلفه ی اصلی (PCR) و رگرسیون کمترین مربعات جزئی (PLS) جهت مدل سازی خطی بهره گرفته شد که در هر دو روش ابتدا مؤلفه های اصلی ساخته و تعداد بهینه ی مؤلفه ها محاسبه شد. سپس مدل سازی با مؤلفه های اصلی بهینه انجام شد و در نهایت مدل های نهایی برای پیش بینی داده‎های مربوط به سری تست بیرونی به کار گرفته شدند. مقدار میانگین مربعات خطای مربوط به سری تست بیرونی برای مدل های PCR و PLS به ترتیب 0/6129 و 0/5327 حاصل گردید. در مدل سازی غیرخطی، جهت جداسازی توصیف کننده های بهینه از دو روش رگرسیون مرحله‎ای (SR) و الگوریتم ژنتیک (GA) استفاده شد. توصیف کننده های منتخب به شبکه ی عصبی وارد شدند و مدل سازی برای هر دو روش انتخاب توصیف کننده، صورت گرفت. شبکه های ساخته شده پس از آموزش و بهینه سازی جهت پیش بینی داده های مربوط به سری تست بیرونی مورد استفاده قرار گرفتند. مقدار میانگین مربعات خطای مربوط به سری تست بیرونی برای مدل های SR-ANN و GNN به ترتیب 0/0379 و 0/0219 به دست آمد. این نتایج نشان دهنده ی برتری روش های غیر خطی در مرحله ی انتخاب توصیف کننده و در مرحله ی مدل سازی می باشند.