سیگنال vep یک سیگنال سودمند در تشخیص پزشکی است. روش میانگین گیری، شایع ترین روش برای رسیدن به این سیگنال می باشد. این روش دارای اشکالات و محدودیت هایی است که محققین جهت رفع آن ها روش های پردازشی متعددی ارائه کرده اند. در این پایان نامه، سه روش جدید تخمین سیگنال vep با استفاده از ترکیب شبکه عصبی و فیلتر وفقی، پیشنهاد شده است. اساس کار روش های پیشنهادی مبتنی بر یک روش شبکه عصبی rbf است که کیفیت سیگنال پیش پردازش شده با شبکه عصبی بهبود بخشیده می شود. در روش اول، کیفیت سیگنال تخمینی با استفاده از یک فیلتر حذف نویز وفقی در خروجی پیش پردازنده شبکه عصبی بهبود یافته، که آموزش فیلتر توسط الگوریتم lms صورت می گیرد. در روش دوم، بهبود تخمین توسط همان فیلتر اما با الگوریتم آموزشی apa که مناسب سیگنال های رنگی است انجام می پذیرد. روش سوم از یک فیلتر ارتقاء سیگنال وفقی با الگوریتم آموزشی lms، برای بهبود سیگنال تخمینی استفاده می کند. یک حسن این روش ها، استفاده از اطلاعات سیگنالvep مربوط به یک کانال می باشد.(مانند روش میانگین گیری) حسن دیگری که می توان در نظر گرفت سرعت بالای پردازش و بلادرنگ بودن عمل تخمین می باشد. وجود موثرتر اطلاعات مربوط به سیستم magnocellular از محاسن دیگر این روش ها است. نوآوری روش اول و دوم در استفاده از داده های پیش پردازش شده بعنوان ورودی فیلتر حذف نویز می باشد. استفاده از الگوریتم apa نیز نوآوری دیگر روش دوم برای بهبود سرعت همگرایی است. در روش سوم نیز، پیش پردازش هر دو ورودی فیلتر ارتقاء سیگنال، برای بالا بردن همبستگی ورودی ها و در نتیجه بهبود خروجی، نوآوری این روش محسوب می شود. نتیجه پیاده سازی این روش ها روی داده های شبیه سازی شده، ارتقاء کیفیت سیگنال تخمینی را توسط هر سه روش پیشنهادی نسبت به روش در نظر گرفته شده پایه نشان می دهد. همچنین افزایش کیفیت سیگنال تخمینی توسط روش دوم نسبت به روش اول مشخص می شود. و نیز در روش سوم، پارامتر سیگنال به نویز بطور چشمگیری نسبت به دو روش دیگر بهبود داده می شود. روش های پیشنهادی قابلیت تعقیب تغییرات تدریجی و ناگهانی سیگنال زمینه را دارا هستند. در انتها، پیاده سازی این روش ها روی داده های کلینیکی نیز انجام گرفته است که نتایج قابل قبولی حاصل شده است.