علم بازشناسی الگو گستره وسیعی از عملیات پردازش داده -از اخذ داده و استخراج ویژگی گرفته تا طراحی روشهای مختلف طبقه بندی و خوشه یابی- را در بر می گیرد. با توجه به اینکه، طبقه­بندی داده های آموزشی و ارزیابی آن در مواجهه با داده های آزمایشی، از اصلی­ترین شاخه های علم بازشناسی الگو می­باشد، طبقه­بندی کننده­های بسیاری معرفی و طراحی شده است. طبقه­بندی کننده­های فازی، از جمله این طبقه­بندی کننده­ها می­باشد، که عملکرد آن شدیدا وابسته به پارامترهای ساختاری­اش، نظیر شکل و مکان توابع عضویت، نوع و تعداد قواعد فازی و ...است. در گذشته از روش­های کلاسیک نظیر درخت تصمیم، تکنیک­های خوشه یابی برای یافتن مقدار مناسبی برای پارامترهای ساختاری استفاده می­شده است، اما اخیرا با گسترش استفاده از الگوریتم­های هوشمند در مسائل مختلف مهندسی، و کاربرد موفقیت آمیز این الگوریتم­ها در تعلیم پارامترهای ساختاری طبقه­بندی کننده­های فازی، استفاده از این الگوریتم­ها در این زمینه به یک محور اصلی پژوهشی در بازشناسی الگو تبدل شده است. تا کنون الگوریتم­های بسیاری نظیر ga، pso، gsa، aco و ... در روش­های گوناگون، برای طراحی یک طبقه­بندی کننده­ فازی بکار گرفته شده­است. در این پایان نامه یک روش جدید مبتنی بر الگوریتم بهینه­سازی نیروی مرکزی (cfo)، برای یافتن خودکار مقدار بهینه و موثر پارامترهای ساختاری طبقه­بندی کننده­های فازی، ارائه شده­است. در این راستا، پنج طبقه­بندی کننده فازی متفاوت، که در هر کدام یک سری از پارامترهای ساختاری به طور همزمان توسط الگوریتم بهینه­سازی نیروی مرکزی بهینه می­شود، شبیه­سازی و سپس بر چندین مجموعه داده مشهور در پردازش الگو، محک زده شد.نتایج حاصل، کارایی روش پیشنهادی در این تحقیق را تأیید می­کند.