هدف اصلی از کار حاضر گسترش روش رابطه ی کمّی ساختار- خاصیت (qspr) با استفاده از شبکه ی عصبی مصنوعی برای پیش بینی هدایت گرمایی آلکان های خطی در محدوده ی وسیعی از دما و فشار است. مدل سازی برای پیش بینی این خاصیت با استفاده از سه روش انتخاب توصیفگر شامل رگرسیون خطی چندگانه مرحله ای(mlr)، اتحاد جداسازی داده و انتخاب خاصیت(cdfs) و الگوریتم ژنتیک(ga) انجام گرفت. سپس توصیفگرهای انتخابی هر روش به عنوان ورودی شبکه ی عصبی مصنوعی سه لایه مورد استفاده قرار گرفتند. با استفاده از روش مولفه های اساسی سری داده ها به سه دسته آموزش(798نقطه داده)، ارزیابی (201نقطه داده) و سری تست(216 نقطه داده )دسته بندی شدند. بعد از آموزش و بهینه سازی پارامترهای شبکه (شامل وزن ها و بایاس ها)، مدل های بهینه شده برای ارزیابی داده های سری تست به کار گرفته شدند. میانگین مربعات خطای بدست آمده از سه روش mlr-ann، cdfs-ann و ga-annبرای سری تست به ترتیب مقادیر 1757/1، 0411/1 و 1079/1 است. نتایج نشان می دهند که هر سه مدل غیر خطی طراحی شده برای پیش بینی هدایت گرمایی آلکان های خطی نتایج خوبی ارائه می کنند اما مدل بهینه شده با روش cdfs-ann تا حدی نتایج بهتری دارد.