یکی از راه های کمک به سرمایه گذاران و شرکت ها ارایه الگوهای پیش بینی ورشکستگی درباره شرکت ها است. در ابتدا در پیش بینی ورشکستگی از روش های مختلف آماری مانند تحلیل ممیز ، رگرسیون و تحلیل لوجیت استفاده می شده است. اما بعدها توسعه و پیشرفت علم و کسب آگاهی در خصوص توانایی های هوش مصنوعی (ann) (در زمینه شناسایی و دسته بندی الگوها می باشد) محققین توانستند از شبکه های عصبی برای پیش بینی ورشکستگی استفاده کنند. تحقیق حاضر با استفاده از شبکه های عصبی به پیش بینی ورشکستگی شرکت هایی در بورس اوراق بهادار تهران می پردازد که در بازه زمانی 1388-1380 در این بازار فعالیت داشته اند. در این راستا از دو نوع شبکه عصبی پیشخور اما با الگوریتم های یادگیری کاملا متفاوت استفاده کرده ایم. جامعه آماری اولیه این تحقیق شامل 80 جفت شرکت سالم و ورشکسته بوده است (ورشکسته با توجه به تعریفی که در ماده 141 قانون تجارت ایران در مورد شرکت های ورشکسته وجود دارد). الگوریتم های مورد استفاده در این تحقیق از شبکه عصبی پرسپترون چندلایه (mlp) و شبکه تابع پایه شعاعی (rbf) استفاده شده است. برای آموزش شبکه اول از الگوریتم یادگیری انتشار بازگشتی خطا (bp) و برای آموزش دومین شبکه از الگوریتم ترکیبی ( با نظارت و بدون نظارت ) استفاده شده است. نرم افزار مورد استفاده برای ایجاد مدل شبکه عصبی نرم افزار matlab می باشد. نتایج دست آمده در این تحقیق نشان از کارایی بالای مدل شبکه های عصبی ارائه شده دارد. میزان پیش بینی صحیح شبکه های استفاده شده در این تحقیق به ترتیب اعداد 95.7% و 91.4 % را برای شبکه های mlp و rbf نشان می دهد. نتایج نشان می دهد شبکه mlp در خصوص تشخیص شرکت های سالم و ورشکسته عملکرد نسبتا بالاتری نسبت به شبکه rbf از خود نشان داده است ، همچنین پیش بینی های صورت گرفته توسط شبکه mlp از دقت نسبتا بالاتری نسبت به شبکه rbf برخوردار است.