شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز موردتوجه بسیاری از محققین فعال در فتوگرامتری و سنجش ازدور بوده است. با ظهور سنجنده¬های جدید مانند لیدار و ترکیب داده¬های این سنجنده¬ها و تصاویر هوایی بحث شناسایی و استخراج وارد دوره جدیدی شده است. به دلیل توانایی زیاد مدل های نروفازی انطباق پذیر در حل مسائل پیچیده، استفاده از این مدل¬ها به صورت روزافزون در حال افزایش می باشد. مدل های نروفازی توانایی کار با مقدار زیاد داده¬ها و روابط خطی و غیرخطی بین آن ها را دارا می¬باشند. در این تحقیق، روشی بر مبنای مدل های نروفازی برای طبقه¬بندی عوارض شهری با استفاده از داده¬های لیدار و تصاویر رقومی هوایی ارائه می¬گردد. ابتدا به تولید انواع توصیفگرهای مختلف از داده-های لیدار و تصاویر رقومی هوایی می¬پردازیم. سپس با استفاده از الگوریتم ژنتیک پیوسته توصیفگرهای بهینه را از بین توصیفگرهای تولیدشده انتخاب می¬نماییم. این توصیفگرهای بهینه به عنوان ورودی¬های مدل نروفازی استفاده می¬شوند. مدل نروفازی ارائه شده از سه الگوریتم مختلف برای تولید ساختار سیستم استنتاج فازی استفاده می کند. این الگوریتم¬ها شامل قسمت بندی شبکه¬ای ، خوشه¬بندی کاهشی و خوشه¬بندی فازی می¬شوند. روش ارائه شده در این تحقیق بر روی سه ناحیه مختلف از شهر وایهینگن آلمان مورد آزمایش قرار می گیرد. این نواحی توسط کارگروه iii/4 جامعه بین¬المللی فتوگرامتری و سنجش ازدور در اختیار محققین قرارگرفته و از آن ها خواسته شده تا نتایج حاصل از روش های خود برای شناسایی و بازسازی عوارض شهری را برای مقایسه به این کارگروه بفرستند. حال در این پژوهش نتایج به دست آمده از سه الگوریتم نروفازی و نتایج مشارکت کننده های کارگروه iii/4 مقایسه و موردبحث قرار خواهند گرفت. این مقایسه بر اساس معیارهای کمال، صحت، کیفیت و خطای مجذور میانگین در دو مبنای پیکسلی و عارضه¬ای انجام خواهد گرفت. نتایج حاصل از این مقایسه¬ها حاکی از توانایی بالای مدل های نروفازی انطباق پذیر در شناسایی عوارض شهری در مقایسه با بقیه روش¬ها دارد. این روش¬ها در شناسایی ساختمان¬هایی با مساحت بزرگ تر از 50 مترمربع با در نظر گرفتن معیار کمال، 100 % موفق بوده¬اند. همچنین با در نظر گرفتن معیار کمال و صحت در شناسایی عوارض بزرگ تر از 50 مترمربعی، همواره به درصدهای بالای 90 رسیده¬اند. در بخش نهایی این پایان¬نامه به مقایسه الگوریتم¬های طبقه¬بندی نظارت شده شناخته شده بر روی ناحیه 1 اقدام می¬کنیم.