اتوماتای سلولی سامانه هایی پویا و گسسته به شمار می روند که رفتارشان بر اساس پیوند های محلی استوار است. فضا در این جا به صورت شبکه ای از سلول ها با مجموعه ای متناهی از وضعیت ها تعریف می شود که در هر گام زمانی، هر سلول وضعیت جدید خود را با توجه به همسایه های خود و بر پایه قوانین تعریف شده به دست می آورد. با توجه به اینکه در مدلسازی با استفاده از اتوماتای سلولی قیود بسیاری در گسترش شهر نقش دارند، یافتن مدل ریاضی ساده و آسان کار بسیار دشواری می باشد. برای آن که بتوان در کمترین زمان، حجم بالایی از اطلاعات را مدلسازی کرد، در این مطالعه با استفاده از شبکه های عصبی کوشش شده است تا این مشکل بر طرف گردد. هدف اصلی در این پژوهش بدست آوردن مدلی تلفیقی بر مبنای اتوماتای سلولی و شبکه های عصبی مصنوعی، جهت شبیه سازی و پیش بینی توسعه شهری است. مدل گسترش شهری پیشنهادی در این پژوهش برای شبیه سازی رشد شهر کرمان بین سال های 1987 و 2009 میلادی بر روی تصاویر ماهواره لندست با تفکیک پذیری مکانی 5/28 متر و همسایگی moore با 120 همسایه اطراف سلول مرکزی پیاده سازی شده است. برای بررسی روند گسترش شهر، از مولفه هایی چون فاصله ی اشیاء مکانی در همسایگی هر سلول، فاصله هرسلول از شبکه راه ها و شیب منطقه بهره گیری شده است. برای اجتناب از به کارگیری آزمون و خطا در تعیین وزن مناسب برای مولفه های مدل، شبکه های عصبی براساس فاکتور های بکار رفته مورد استفاده قرار گرفته است. در آزمونی دیگر این پژوهش به مدلسازی توسعه شهری با تفکیک پذیری مکانی 57 و 114 متر پرداخته شد. نتایج نشان داد که با کاهش تفکیک پذیری مکانی دقت نتایج نیز کاهش یافته است. اما باید توجه داشت که دسترسی به داده هایی با توان تفکیک پایین تر، آسان تر و کم هزینه-تر خواهد بود. از این رو، بهره گیری از مدل هایی که افزون بر دقت، دارای حساسیت کمتری به تفکیک پذیری مکانی باشند سودمند است. در ادامه تحقیق به مدلسازی شهر در بازه های زمانی 5، 13، 18 و22 سال پرداخته شد. و بررسی ها نشان داد که بازه زمانی 13 سال، بهینه ترین شاخص کاپا را ارائه داده است. در نهایت با چهار بازه زمانی در سه تفکیک پذیری مختلف، 12 سناریو مورد آزمایش قرار گرفت. و نتایج نشان داد که مدلسازی با تفکیک پذیری 5/28 متر در بازه زمانی 13 سال بهترین شاخص کاپا را با 79/80 درصد ارائه داد.