در سال های اخیر شبکه های عصبی مصنوعی در زمینه های مختلف ژئوتکنیک و مهندسی زلزله بسیار مورد استفاده قرار گرفته اند و نتایج بدست آمده از این شبکه ها بسیار موفقیت آمیز بوده است. یکی از موفق ترین شبکه ها، شبکه چند لایه پرسپترون(mlps) بوده که با الگوریتم انتشار برگشتی آموزش داده شده است. بزرگترین ضعف این شبکه این است که تفسیر اطلاعات در آن بسیار مشکل است، چراکه اطلاعات به صورت پیچیده ای در طول آموزش در اتصالات بین وزن ها ذخیره می شود. می توان گفت که شبکه ی عصبی مصنوعی مانند یک جعبه سیاه عمل می کند. در سیستم های عصبی فازی برای غلبه بر این مشکل از منطق فازی استفاده شده است. در این شبکه ها قوانین ودانش موجود در سیستم های فازی با قدرت آموزش و یادگیری شبکه های عصبی مصنوعی ترکیب شده است. در این مطالعه با استفاده از رکورد های واقعی زلزله و با کمک شبکه عصبی-فازی توانسته ایم سامانه ای طراحی کنیم که می تواند طیف شبه شتاب زلزله را پیش بینی کند. برای بدست آوردن شبه شتاب زلزله در پریود های مختلف از برنامه toolbox anfis در برنامه matlab استفاده شده است. تابع عضویت به کار گرفته شده از نوع gbell یا تابع زنگوله ای است. برای آموزش شبکه نیز از روش هیبرید استفاده شده است. با توجه به پارامتر های تاثیر گذار در زلزله و نیز اثرات شرایط ساختگاه، ورودی شبکه شامل بزرگی زلزله ، سرعت موج برشی، فاصله از گسل مسبب و pga است. علاوه بر موارد فوق باید پریود مورد نظر نیز به شبکه داده شود تا با توجه به این پریود و سایر پارامتر های ذکر شده، شبکه بتواند شبه شتاب زلزله را پیش بینی کند. تعداد توابع تعلق و نیز نوع تابع به صورت آزمایش و خطا بدست آمده اند. نتایج حاصل از شبکه نشان می دهد که شبکه ی عصبی فازی توانایی خوبی در پیش بینی شبه شتاب زلزله دار