ترکیبات گوگرددار و هیدروکربن های آروماتیک چندحلقه ای به عنوان دو گروه آلوده کننده ی پایدار شناخته می شوند. علاوه بر این، این ترکیبات سرطان زا هستند. تکنیک های تجزیه ای مختلفی مانند کروماتوگرافی گازی برای جداسازی و شناسایی این ترکیبات وجود دارد که اندیس های بازداری را با استانداردها مقایسه می کنند. بنابراین اندیس بازداری یک حل شونده، یک پارامتر مهم می باشد که می تواند برای شناسایی ترکیبات گوگرددار و هیدروکربن های آروماتیک چندحلقه ای به کار رود. اما از طرف دیگر، این روش ها زمان و هزینه ی زیادی صرف می کنند. از این رو، برای غلبه بر این مشکلات، می توان از روش های کمومتریکس برای پیش بینی اندیس بازداری این ترکیبات استفاده نمود. در بخش اول این پایان نامه، روش جدید جنگل های تصادفی (rf) برای پیش بینی اندیس بازداری یک گروه از ترکیبات گوگرددار به کار گرفته شد. هم چنین عملکرد مدل rf با مدل های شبکه عصبی مصنوعی (ann) و رگرسیون خطی چندگانه (mlr) مقایسه گردید. نتایج این مقایسه نشان داد که جنگل های تصادفی دارای برتری نسبی نسبت به شبکه عصبی مصنوعی و رگرسیون خطی چندگانه برای پیش بینی این ترکیبات می باشد. در بخش دوم، مانند بخش اول، این مدل ها برای پیش بینی اندیس بازداری بعضی از ترکیبات آروماتیک چندحلقه ای به کار گرفته شدند. نتایج به دست آمده نشان می دهد که روش جنگل های تصادفی، اندیس بازداری این ترکیبات را بهتر از سایر روش ها پیش بینی نموده است.