برای جلوگیری و به حداقل رساندن خسارتهای وارده ناشی از فرآیند فرسایش و انتقال، تاکنون روش های کلاسیک ریاضی متعددی جهت محاسبه دبی رسوبی ارائه شده است. این روش ها بطور عمده بر مبنای فرضیات و روش های آماری و....وداده های میدانی یا آزمایشگاهی استوارند که توسط محققان متعددی نظیر یانگ ، وایت ، بگنولد ، هانسن و......پیشنهاد شده است. نتایج حاصل از روش های کلاسیک در برآورد میزان رسوب، حاکی از عملکرد نامناسب این روش ها در شرایط هیدرولیکی متفاوت و حساسیت بالا به شرایط رودخانه ، اندازه مواد بستر و....است. در این پایاننامه از روش های نرم هوش مصنوعی جهت ارزیابی، اصلاح و بهبود قابلیت پیش بینی رسوب در یک رودخانه طبیعی به نام قطور چای، ایستگاه پل یزدکان واقع در آذربایجان غربی استفاده شده است. روش های محاسباتی نرم مورد استفاده در این پژوهش عبارتند از روش برنامه ریزی ژنتیک [gep] و روش شبکه عصبی مصنوعی [ann]. ورودی های مورد نیاز برای مدل سازی، با توجه به پارامتر های حاکم روش های کلاسیک و با توجه به مفهوم پایه ای بکار رفته در ساختار این روش ها، انتخاب و بهینه گشته و سپس تحلیل های لازم انجام پذیرفته است. روش های کلاسیک انتخاب شده نیز بر مبنای دو مفهوم کلی توان جریان و تنش برشی هستند. در مراحل مختلف مدل سازی، ضمن بررسی اثرات عوامل موثر در کارایی روش های محاسباتی نرم، ساختارهای بهینه برای هریک از این مدل ها تعیین و نتایج حاصل، با روش های کلاسیک و روش منحنی سنجه نیز مقایسه گشته است. نتایج حاصله حاکی از آن است که اصلاح و تقویت روابط کلاسیک با استفاده از روش های نرم هوشمند، باعث بهبود نتایج شبیه سازی و ارتقای کارائی روابط مذکور می گردد. همچنین در یک مقایسه کلی، نتیجه گرفته شد مدل هایی که بر مبنای توان جریان توسعه یافته اند، عملکرد بهتری نسبت به مدل هایی دارند که مفهوم تنش برشی در ساختار آنها بکار گرفته شده است.