شناسایی ارقام برنج در کشاورزی مدرن از اهمیت بالایی برخوردار است. از میان عوامل مختلف شناسایی ارقام می توان به شاخص های رنگ و بافت اشاره کرد. تشخیص ارقام برنج با استفاده از بازرسی دستی و بصری بسیار وقت گیر و دارای خطا می باشد. در نتیجه تکنولوژی ماشین بینایی به عنوان روشی جدید می تواند برای استخراج ویژگی های رنگ و بافت به کار برده شود. هدف از این پژوهش شناسایی ارقام برنج با استفاده از این ویژگی ها با کمک پردازش تصویر و شبکه های عصبی مصنوعی و همچنین پیش بینی سینتیک خشک کردن شلتوک با استفاده شبکه های عصبی مصنوعی می باشد. برای تشخیص ارقام برنج، پنج رقم برنج ایرانی به نام های فجر، شیرودی، ندا، خزر و طارم محلی تهیه شدند. شناسایی ارقام با استفاده از شبکه عصبی پس انتشار و همچنین انتخاب خواص با استفاده از روش stepdisc صورت پذیرفت. همچنین در بخش پیش بینی رطوبت شلتوک، آزمایش ها توسط خشک کن لایه نازک در آزمایشگاه انجام شد و ویژگی های رنگی l*a*b* از جعبه ابزار پردازش تصویر در نرم افزار matlab بدست آمد. نتایج شناسایی ارقام نشان داد که میانگین دقت طبقه بندی با استفاده از شبکه با یک لایه پنهان برای شناسایی ارقام شلتوک، برنج قهوه ای و برنج سفید به ترتیب: 3/93، 9/98 و 100% بود. میانگین دقت طبقه بندی با استفاده از ویژگی های بافتی، برای تشخیص ارقام شلتوک، برنج قهوه ای و برنج سفید به ترتیب: 2/92، 8/97 و 9/98% بدست آمد. پس از آنکه ویژگی های رنگی و بافتی باهم ترکیب شدند، شبکه با بیشترین دقت طبقه بندی برای ارقام شلتوک 9/98% ، برای برنج قهوه ای و سفید به ترتیب: 100 و 100% بدست آمد. پس از انجام آزمایش های خشک کردن، این نتایج حاصل شد که دمای هوای ورودی اثر بسیار معنی داری روی ویژگی های رنگی و زمان نهایی خشک شدن داشت. با گذشت زمان مقادیر l* کاهش و مقادیر a* وb* افزایش یافتند. برای پیش بینی رطوبت با کمک شبکه عصبی پس انتشار، شبکه با یک لایه پنهان با توپولوژی 1-7- 5، بیشترین مقدار 963/0r2=، کم ترین مقدار031/0mae=، تعداد چرخه آموزش 18، تابع انتقال لگاریتم سیگموئید در لایه پنهان و تانژانت سیگمویئد در لایه خروجی به عنوان بهترین ساختار شبکه انتخاب شدند.