چکیده: ظرفیت تبادل کاتیونی و آلودگی به فلزات سنگین جزء پارامترهای شیمیایی مهم خاک به‌حساب می‌آیند که اندازه‌گیری مستقیم آن‌ها دشوار است و نیاز به وقت و هزینه‌ی زیادی دارد. با توجه به مشکلات اندازه‌گیری مستقیم این پارامترها در سال‌های اخیر استفاده از روش‌های غیرمستقیم مانند شبکه‌ی عصبی مصنوعی و شبکه‌ی عصبی فازی و مدل‌هایی مشابه دیگر برای برآورد این خصوصیات موردتوجه قرارگرفته است. امروزه مدل‌های شبکه‌ی عصبی مصنوعی و شبکه‌ی عصبی فازی با کارایی بالا در مدل‌سازی مسائل غیرخطی کاربرد روزافزون آن را سبب شده است. در این پژوهش 250 نمونه خاک جمع‌آوری‌شده از مناطق مختلف استان گیلان موردبررسی قرار گرفت. پارامترهای فیزیکی و شیمیایی همچون میزان کربن آلی میزان نیتروژن درصد شن، رس، سیلت، pH و EC به‌عنوان لایه‌ها یا پارامترهای ورودی و ظرفیت تبادل کاتیونی، میزان سرب و میزان کادمیوم به‌عنوان لایه‌های خروجی انتخاب شدند. داده‌های جمع‌آوری‌شده به‌صورت تصادفی به دودسته‌ی آموزش و صحت سنجی تقسیم شدند و از آن‌ها برای آموزش و ارزیابی مدل شبکه‌ی عصبی(MLP) و شبکه‌ی عصبی فازی(ANFIS) و همچنین رگرسیون خطی استفاده شد. نتایج حاصل از مطالعه‌ی حاضر کارایی بالاتر مدل شبکه‌ی عصبی مصنوعی را نسبت به روش رگرسیون خطی نشان می‌دهد. علاوه بر آن شبکه‌ی عصبی مصنوعی دارای عملکرد بهتری نسبت به شبکه‌ی عصبی فازی در مرحله‌ی صحت سنجی است. اگرچه شبکه‌ی عصبی فازی در مرحله آموزش بهتر از شبکه‌ی عصبی مصنوعی عمل کرد. همچنین به‌منظور تعیین همبستگی هر یک از پارامترهای ورودی با مقدار ظرفیت تبادل کاتیونی و میزان سرب و کادمیوم خاک از آنالیز حساسیت نیز استفاده گردید. که بر اساس نتایج به‌دست‌آمده میزان کربن آلی بیشترین همبستگی را با ظرفیت تبادل کاتیونی خاک و میزان سرب و کادمیوم از خود نشان داد.