مدل های deaبه منظورآنالیز کارایی نسبی داده های ورودی وخروجی های چند گانه وکاربرد این مدلها در مسائل دسته بندی است و محدودیت های خاص و ویژه ای را مطرح می کند.انگیزه اولیه برای این تحقیق غلبه بر برخی محدودیت های رایج مدل های deaاست، به طوری که این مدل ها بتوانندبرای بازه گسترده ای از مسائل دسته بندی و رتبه بندی مورد استفاده قرار گیرند.یکی از عمده ترین مشکلات استفاده از تحلیل پوششی داده ها ضعف قدرت تفکیک پذیری واحد های تصمیم گیرنده است.این مشکل عمدتا" به علت کم بودن تعداد واحدها در مقایسه با تعداد ورودی ها وخروجی های مدل می باشد.براین اساس و برای رفع این مشکل شبکه های عصبی مورد مطالعه قرار گرفت و مدلی تلفیقی از شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (neuro-dea) بررسی شد که نتایج نشان می دهد استفاده از شبکه های عصبی به دلیل قابلیت بالاو انعطاف پذیری الگوریتم های مدل سازی آن موجب افزایش قدرت تفکیک پذیری و رتبه بندی مناسب واحدهای تصمیم گیرنده می گردد.لازم به ذکر است که شبکه باید به شکل مناسبی آموزش داده شود. مقایسه بین dea وneuro-dea نشان می دهد که شبکه های عصبی مرز کارایی مقاوم تر و انعطاف پذیر تری نسبت بهdea نشان می دهد و از neuro-dea می توان در حل مسائل با مقیاس بزرگتر نیز استفاده کرد زیرادر این روش نیازی به حل یک مدل ریاضی برای هر dmu نیست. همچنین در این مطالعه به صورت تئوری بررسی شد که چگونه dea میتواندبا شبکه با توابع شعاعی برای ایجاد یک مدل rbfn-dea برای گروه بندی ترکیب شود.