چکیده: تشخیص خودکار زبان فرایندی است که طی آن سیستم، زبان مربوط به گفتار دیجیتال شده را تشخیص می‌دهد. در واقع وظیفه‌ی اصلی شناسایی زبان شناسایی دقیق و سریع زبان گفتاری است. یکی از مسائلی که می‌تواند به ارتباط بین مردم نواحی مختلف کمک کند و کاربردهای مختلفی در امور گردشگری، تجارت، شرکت در همایش‌ها و غیره داشته باشد، تشخیص زبان‌های مختلف از یکدیگر می‌باشد. بنابراین طراحی و ساخت سیستم هوشمندی که بتواند زبان‌ها را از یکدیگر تشخیص دهد از اهمیت ویژه‌ای بر‌خوردار است. در این پایان‌نامه از روش‌های مختلف استخراج ویژگی و کلاسه‌بندی جهت بهبود دقت سیستم شناسایی زبان استفاده شده است. عملکرد هرکدام با یکدیگر مقایسه و در آخر این نتایج با نتایج بدست آمده در مقالات دیگر مقایسه شده اند. دیتا بیس مورد استفاده در این پایان‌نامه OGI-TS می‌باشد. نمونه‌های صوتی این دیتابیس که 11 زبان گوناگون را شامل می‌شود دارای مدت زمانی بین 3 تا45 ثانیه می‌باشند که در این پایان‌نامه از نمونه‌های 5و 10 ثانیه‌ای این دیتابیس استفاده شده است. همچنین زبان‌ها، به صورت دو، چهار و شش تایی با یکدیگر مقایسه شده‌اند. با استفاده از ویژگی‌های سطح پایین صوتی، یعنی ویژگی‌های آکوستیکی که شامل روش‌های PLP ,LPC ,MFCC و تبدیل فوریه‌ی بسل می‌شود ویژگی‌های مورد نظر استخراج شده و با کلاسه‌بند‌های مختلف آزمایش شده‌اند.نتایج آزمایشگاهی بیانگر آن است که روش تبدیل فوریه‌ی بسل که به عنوان یک روش جدید استخراج ویژگی در تشخیص زبان مورد استفاده قرار گرفت بالاتر از روش LPC عمل می‌کند و همینطور دقت نزدیکی نسبت به بقیه‌ی روش‌ها دارد. کلاسه بندهای مورد استفاده در این پایان‌نامه، شبکه‌های MLP، RBF و شبکه‌ی عصبی جدید WRBF است. مشاهده می‌شود که استفاده از شبکه‌ی RBF و WRBF بهبود قابل توجهی در دقت سیستم به وجود می‌آورد. همچنین روش SDC نیز بر روی روش‌های استخراج ویژگی، اعمال شده که سبب بهبود درصد صحت سیستم می‌شود.