چکیده: در این تحقیق، دانسیته ی مایعات یونی با استفاده از دو روش که شامل: ترکیب روش سهم گروه با شبکه ی عصبی مصنوعی (GCM-ANN) و روش سهم گروه با ماشین بردار پشتیبان (GCM-SVM) می باشد، تخمین زده شد. مجموعه ی نقاط شامل، 3107 نقطه داده ی تجربی دانسیته برای محدوده ی وسیعی از دما (293-414 K)، فشار (0/1-65 MPa) و دانسیته (869/21-2400 kg.m-3) مطابق با 188 مایع یونی می باشد. مجموعه ی داده ها در شبکه ی عصبی مصنوعی به طور تصادفی به سه گروه: آموزش، ارزیابی و تست تقسیم بندی شدند و داده ها در ماشین بردار پشتیبان به دو گروه: آموزش و تست تقسیم شدند. ما مجموع 33 گروه ساختاری بعلاوه‎ی دما و فشار را به عنوان مقادیر ورودی به کار گرفتیم. پس از آموزش شبکه و بهینه کردن پارامترهای شبکه‎ی عصبی مصنوعی و ماشین بردار پشتیبان، کارایی مدل توسط سری تست مورد بررسی قرار گرفت و نتایج حاصل از شبکه ی عصبی مصنوعی و ماشین بردار پشتیبان برای این سری‎ها با نتایج تجربی مقایسه گردید. نتایج نشان می دهد که ماشین بردار پشتیبان و روش سهم گروه انتخاب شده، نشان دهنده ی یک جایگزین عالی برای تخمین دانسیته ی مایعات یونی با دقت قابل قبولی (R2=0/9996، MSE=12/9525)، برای محدوده‎ی وسیعی از دما و فشار می باشد.