چکیده: مدل های اکتشافی ژئوشیمیائی سنتی که در مقیاس محلی و معدنی برای تشخیص آنومالی در میادین معدنی به کار می روند عموماً بر پایه تحلیل آماری چند متغیره ، متالومتری، زونالیته ژئوشیمیایی قائم و معیار اتحادهای ژئوشیمیایی میادین طبیعی استوار است. اما این مدل ها به طور کل دارای چندین محدودیت می باشند: 1) مشکل بودن جداسازی آنومالی هایی که داده های آن ها به صورت نرمال توزیع نیافته اند. 2) دشوار بودن جداسازی آنومالی از زمینه وقتی که جوامع آنومالی در ارتباط با مکانیزم تشکیل سازند می باشند. 3) عدم تطبیق نتایج آنومالی های چندگانه بر روی نقشه های کنتوری. 4) مناسب نبودن آماده سازی تشخیص الگوی چندگانه. این محدودیت ها فرایند تفسیر کردن را زمانبر و هزینه بر می سازد. روش شبکه های عصبی-فازی به نظر می رسد برای کاربردهای خاص ژئوشیمی معدنی بسیار مناسب باشند. تئوری فازی روشی مناسب برای در نظر گرفتن عدم قطعیت های موجود در تشخیص آنومالی های چندگانه می باشد و شبکه های عصبی مصنوعی نیز قابلیت زیادی در یادگیری مدل های موجود دارند. ترکیب این دو دانش جدید، روش مناسبی را برای تشخیص آنومالی های چندگانه ایجاد می کند که قادر است با استفاده از مدل های استاندارد موجود از مناطق اکتشافی و با در نظر گرفتن عدم قطعیت های آن هزینه های اکتشاف را کاهش دهد و همچنین نتایج مطمئنی را تولید کند. در این پایان نامه برای تشخیص آنومالی های کاذب و پنهان از یکدیگر از این روش استفاده گردید. نتایج حاصله تطابق مناسبی با اکتشافات قبلی با استفاده از روش های سنتی دارد، ضمن اینکه محدودیت های بالا را برای روش های سنتی در خود رفع کرده است.