در این پایان نامه سیستمی برای تشخیص اختلال کم¬توجهی ـ بیش¬فعالی در کودکان ارائه شده است. اختلال کم توجهی ـ بیش فعالی 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 کم توجهی ـ بیش فعالی 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 نکرده اند. امروزه فناوری های 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 کرده اند. 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 کم توجهی ـ بیش فعالی 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.