چکیده: در این پایان نامه سیستمی برای تشخیص اختلال کم توجهی ـ بیش فعالی در کودکان ارائه شده است. اختلال کم‌توجهی ـ بیش‌فعالی یک اختلال بالینی ناهمگن و یک عارضه چند فاکتوری پیچیده می-باشد. این اختلال در کودکان پسر سه برابر کودکان دختر شایع است. 5 تا 10درصد کودکان در کل دنیا مبتلا به اختلال کم‌توجهی ـ بیش‌فعالی می باشند. معمولاً کودک توانایی تمرکز بر روی یک موضوع را نداشته، یادگیری در او کند است و کودک از فعالیت بدنی بسیار بالا برخوردار است. این اختلال با فقدان توجه ، فعالیت بیش ‌از حد ، عدم تمرکز یا ترکیبی از این موارد همراه است. تحقیقات علل دقیق این اختلال را تعیین نکرده‌اند. امروزه فناوری‌های تصویربرداری از مغز، پیشرفت های بسیاری داشته است. بسیاری از مطالعات بر مبنای این فناوری‎ها تفاوت میان مغز کودکان مبتلا به این اختلال و سایر کودکان را اثبات کرده‌اند. بهترین داروهایی که در حال حاضر استفاده می شود همگی جزو مخدرها و محرک های قوی هستند و عوارض جانبی بسیار بدی در دراز مدت دارند. اما می توان با تشخیص به موقع و زود هنگام دز دارو را تحت کنترل گرفت. در این پایان نامه سه روش جهت تشخیص اختلال کم‌توجهی ـ بیش‌فعالی پیشنهاد شده و کارایی این روش ها در مقایسه با روش های موجود ارزیابی شده است. روش‎های پیشنهادی شامل مراحل پیش‎پردازش، استخراج ویژگی و کلاسه‎بندی است. یکی از چالش هایی که در مسائل پزشکی وجود دارد وجود پایگاه داده ای استاندارد و با کیفیت بالا می باشد. این پایان نامه با تکیه بر یکی از روش های ساختاری متداول به نام تصویربرداری تشدید مغناطیسی (MRI) که پایگاه داده آن در اختیار می باشد صورت گرفته است. در روش پیشنهادی اول، بعد از پیش پردازش، با استخراج ویژگی های بافت تصاویر، اقدام به کلاسه بندی افراد می کنیم. استخراج ویژگی ها از این تصاویر، در یک بعد صورت می‎پذیرد، دلیل اصلی این امر ایجاد بردار ویژگی بزرگ می باشد که از مجموعه تصاویر حاصل شده است. وقتی از تصاویر در یک بعد ویژگی استخراج می کنیم اندازه بردار ویژگی بدست آمده تقریبا یک سوم حالتی می شود که از وکسل ها یا همان تصاویر سه بعدی حجمی، بردار ویژگی استخراج می کنیم. درصد تشخیص در این روش 70% می-باشد. در روش پیشنهادی دوم و سوم بعد از پیش پردازش با جعبه ابزار SPM که در پیش پردازش تصاویر MRI و fMRI ابزاری قدرتمند است به سراغ استخراج ویژگی با روش LBP می رویم. این الگوریتم ابزار قدرتمندی در روش های تشخیص از روی بافت تصاویر مثل تشخیص چهره یا تشخیص رگ انگشت، با پیچیدگی محاسباتی کم و توانایی در استخراج ویژگی های مناسب از تصاویر مغزی می باشد. تفاوت روش دوم و سوم در انتخاب نوع طبقه بند می باشد. در روش دوم از کلاسه بند ماشین بردار پشتیبان استفاده می شود که یک تفکیک کننده قوی می باشد. در روش سوم برای کلاس بندی از شبکه عصبی استفاده می شود. نتیجه ای که روش دوم می تواند برای تمییز و تشخیص داده های مغزی افراد سالم از ناسالم ارائه کند روی چهار پایگاه داده انجام شده بین 81.4815 تا 88.8889 می باشد. بهترین نتیجه ای که روش سوم می تواند برای تشخیص داده های مغزی افراد سالم از ناسالم ارائه کند بین 85.1852 تا 94.1379 می باشد.