سیگنال های مغزی eeg کاربردهای حیاتی مهمی در زمینه های مختلف پزشکی و همچنین سیستم های bci، دارا می باشند، و به همین جهت دسترسی به سیگنالی مناسب و قابل استفاده از اهمیت بالایی برخوردار می باشد. در این میان مشکل حضور اجتناب ناپذیر سیگنال های مزاحم آرتیفکتی در سیگنال eeg، همواره بر سر راه کارآیی این سیگنال باارزش وجود داشته و قابلیت استفاده از آن را دچار اختلال می نماید. آرتیفکت ها اغتشاشات ناخواسته ای هستند که به طور عمده از فعالیت های اجتناب ناپذیر انسانی همچون ضربان قلب، پلک زدن و فعالیت های ماهیچه های صورت در زمان دریافت سیگنال های eeg نشأت می گیرند، و می توانند باعث تغییر شکل و ایجاد ابهام در این امواج شود. از این رو ارائه ی راهکاری مناسب در جهت رفع این آرتیفکت ها، که قابلیت عملکرد خودکار را داشته و در شرایط عام توسط افراد با تخصص های گوناگون قابل استفاده باشد، و همچنین عملکرد مطلوبی درجهت حفظ اطلاعات سیگنال اصلی از خود نشان دهد، جایگاه بالایی را در تمامی کاربردهای سیگنال eeg دارا می باشد. با توجه به اهمیت موضوع در این پایان نامه تلاش در جهت یافتن راهکاری مناسب در این زمینه صورت گرفته است. بر این اساس مقایسه ای بین روش های مختلف رفع آرتیفکت های سیگنال eeg صورت گرفته و روش حذف نویز با استفاده از فیلترهای وفقی (anc)، به جهت سادگی محاسبات و قابلیت استفاده در شرایط عام، به عنوان روش برتر معرفی شده است و به منظور بالا بردن کیفیت عملکرد، با توجه به برتری های خاص شبکه های عصبی من جمله عملکرد خودکار و خودآموز و همچنین عمومیت آن ها، استفاده از این شبکه ها به عنوان فیلترهای وفقی توصیه شده است. با بررسی انواع مختلف شبکه های عصبی، با توجه به خاصیت غیرخطی و پیچیدگی بالای سیستم مورد مطالعه، یعنی بدن انسان، این نتیجه حاصل شد، که شبکه های عصبی موجود میزان مطلوبی از حذف آرتیفکت ها را ارائه نمی دهند. به همین جهت در این پایان نامه فیلتر وفقی جدیدی بر اساس شبکه های عصبی fln و rbfn معرفی شده است که کارآیی داشته و نتایج بهتری را نسبت به شبکه های پیشین از خود نشان می دهد. روش معرفی شده قادر است با موفقیت بالایی آرتیفکت ها را حذف کرده و سیگنال eeg مطلوب را استخراج نماید. نتایج حاصل از شبیه سازی ها نیز برای یک نمونه دیتا ارائه شده که به خوبی موید کارآیی مطلوب فیلتر معرفی شده، می باشد.