بررسی مقاومت برشی خاک غیراشباع با استفاده از تجهیزات آزمایشگاهی نسبت به حالت اشباع آن، پیچیده تر،پرهزینه تر و زمانبر تر خواهد بود. از این رو استفاده از روش های تئوری مختلف نظیر محاسبات نرم به منظور پیش بینی مقاومت برشی خاک غیراشباع بسیار کاربردی و مفید خواهد بود. در این پژوهش قابلیت سیستم استنتاج فازی- عصبی انطباقی (anfis) و دو نوع شبکه عصبی مصنوعی (mlp , rbf) به منظور تخمین مقاومت برشی خاک غیراشباع بررسی گردید. تحقیق حاضر از دو مرحله تشکیل شده است. در مرحله اول از 128 سری داده استفاده شده است، به صورتی که چهار پارامتر تنش نرمال خالص، ماتریس مکش، زاویه اصطکاک داخلی موثر و چسبندگی موثر به عنوان پارامترهای ورودی و مقاومت برشی غیراشباع به عنوان پارامتر خروجی تعیین گردیدند. در مرحله دوم از 118 سری داده با 8 پارامتر ورودی که شامل تنش نرمال خالص، ماتریس مکش، زاویه اصطکاک داخلی موثر، چسبندگی موثر، نسبت تخلخل، دانسیته خشک، چگالی مخصوص و درجه اشباع می باشد، مقاومت برشی خاک غیراشباع پیش بینی گردید. به منظور مقایسه نتایج حاصل از anfis و شبکه عصبی، ازشاخص های ارزیابی ضریب تعیین (r2)، ریشه میانگین مربعات خطا (rmse) ، میانگین خطای مطلق (mae) و واریانس (vaf) استفاده گردید. نتایج نشان داد که مدل های ارائه شده توسط anfis و شبکه های عصبی مصنوعی (mlp , rbf) به خوبی قادر به پیش بینی مقاومت برشی خاک غیراشباع بوده و تا حدودی mlp نسبت به anfis و rbf عملکرد بهتری داشته است. در مرحله اول، مقدار ضریب تعیین برای شبکه mlp برای داده های آموزش و آزمایش به ترتیب 98/0 و 989/0 و در مرحله دوم به ترتیب 996/0 و 988/0 می باشد که نسبت به دو مدل دیگر بهتر می باشد. همچنین به منظور تعیین سهم هر کدام از پارامترهای ورودی در پیش بینی مقاومت برشی خاک غیراشباع، آنالیز حساسیت انجام گردید. نتایج نشان داد که gs تاثیر نسبتا بیشتری بر روی مقاومت برشی خاک غیراشباع دارد.