در این تحقیق، روش qsar برای مدل سازی و پیش بینی فعالیت ضد فشارخون یک سری 65 تایی از بازدارنده های غیر اوره ای هیدرولاز اپوکسید محلول با استفاده از رگرسیون خطی چند گانه (mlr)، روش حداقل مربعات جزئی (pls)، رگرسیون اجزاء اصلی (pcr)، و شبکه عصبی مصنوعی (ann) به کاربرده شده است. ابتدا داده ها به دو گروه آموزش (45 مولکول) و آزمایش (20 مولکول) تقسیم شدند. سپس تعداد زیادی از توصیف کننده های مولکولی با استفاده از نرم افزارهای هایپرکم و دراگون محاسبه شدند. تعداد مناسبی از این توصیف کننده ها با استفاده از روش mlr انتخاب شدند. نتایج به دست آمده از این روش نشان می دهد که فعالیت ضد فشارخون ترکیبات مطالعه شده به پارامترهای مختلفی از قبیل: توصیف کننده های توپولوژیکی، خود همبستگی، سه بعدی مورس و توصیف کننده اجزا اتم در مرکز بستگی دارد. پس از آن این توصیف کننده ها به عنوان ورودی برای مدل سازی به روش های pls، pcr و ann به کار گرفته شدند. با مدلسازی به روش pls ضریب همبستگی برای دسته آموزش 963/0 و برای دسته آزمایش 944/0 بود. خطای استاندراد حاصل از این روش برای دسته آموزش251/0 و برای دسته آزمایش 345/0 بود. به منظور کاهش همپوشانی های خطی بیش از حد از روش pcr استفاده شد. ضریب همبستگی این روش برای دسته آموزش 950/0 و برای دسته آزمایش 908/0 بود. خطای استاندارد این روش برای دسته آموزش و آزمایش به ترتیب 288/0 و 440/0 بود. بهترین شبکه عصبی مصنوعی یک شبکه جلو رونده با انتشار رو به عقب خطا که به وسیله الگوریتم لونبرگ- مارکواردت ساخته شده است، می باشد. بهترین ضریب همبستگی و خطای استاندارد برای دسته آموزش با استفاده از مدل ann-lm به ترتیب 980/0 و 185/0 می باشد و برای دسته آزمایش بهترین ضریب همبستگی و خطای استاندارد نیز به ترتیب 959/0 و 322/0 می باشد. مقایسه نتایج به دست آمده نشان می دهد که روش ann قدرت پیش بینی بهتری نسبت به mlr و pls و pcr دارد.