اخیراً روش های غیر مخرب برای اکتشاف و بازیابی اطلاعات سازندهای زیر سطحی در حوزه های مختلف از جمله اکتشافات گاز و نفت، زمین شناسی، مهندسی، باستان شناسی و ژئوتکنیک (یافتن موقعیت کانال های مدفون و لوله ها) توسعه یافته اند. در هر روش از یک حسگر مناسب برای تصویر گرفتن از زیرزمین استفاده می شود. برای یافتن اشیاء مدفون در اعماق کم، پر کاربردترین روش، رادار نفوذی زمین (gpr) است. این روش از طریق ارسال و ثبت بازتاب امواج الکترومغناطیسی توسط یک سیستم فرستنده-گیرنده با عمق اکتشافی نسبتاً کم (تا چند ده متر) و قدرت تفکیک تا چند سانتیمتر بکار گرفته می شود. رادارگرام های حاصل از gpr برای مقاطع استوانه ای شبه هذلولی می باشند. تفسیر داده های بدست آمده توسط gpr نیازمند به تجربه زیاد است و از نظر زمان و مادی هزینه بر است. تا کنون در مورد تشخیص اتوماتیک اشیاء مدفون با استفاده از gpr کارهای محدودی صورت گرفته است. در این پایان نامه سعی شده است با استفاده از دو روش بهینه سازی، اهداف زیر زمینی کوچک (عمدتاً لوله هاو کانالها) با استفاده از تشخیص اثرات هذلولوی که توسط آن ها ایجاد می شود، موقعیت یابی شوند. دو روش بهینه سازی برای استخراج ویژگی های تصویر شامل الگوریتم ژنتیک (ga) و الگوریتم کلونی مصنوعی زنبور (abc) می باشند. داده ها به دو روش مصنوعی با استفاده از نرم افزار gprmax2d و برداشت در محوطه دانشگاه صنعتی اصفهان بدست آمدند. داده های مصنوعی نشان می دهند که با تغییر عمق و شعاع هذلولی گون، شکل هذلولی بدست آمده نیز تغییر می کند و در نتیجه پارامترهای هندسی مربوط به این هذلولی گون تغییر می یابند.پس از بدست آرودن داده ها پیش پردازش های لازم بر روی داده ها انجام گرفت: 1) تصحیح دی واو و حذف بایاس dc 2) حذف زمینه 3) اعمال تابع بهره 4) باینریزه کردن. سپس الگوریتم های مذکور برای شناختن ویژگی های تصویر اعمال گردیدند و از ویژگی های هندسی به دست آمده برای تخمین عمق و شعاع لوله های مدفون استفاده شد. مطالعات انجام شده نشان می دهد که هر دو الگوریتم مذکور وقتی که مسئله تشخیص الگو را بعنوان یک مسئله بهینه سازی در نظر بگیریم می توانند برای استخراج ویژگی در تصاویر بکار روند. نتایج نشان می دهد که هر دو الگوریتم ga و abc نتایج قابل قبولی ارائه می دهند ولی الگوریتم abc در این زمینه از نظر سرعت و دقت مناسبتر می باشد. با وجود اینکه خطای تخمین پارامترهای هندسی برای داده های واقعی بیشتر از داده های مصنوعی است ولی از نقطه نظر کاربردی نتایج از صحت و دقت کافی برخوردار بوده و می توانند به عنوان شاخص های مناسبی برای شناسایی ناهمگنی های زیرسطحی مورد استفاده قرار گیرند.