کارخانه¬های تخته خرده چوب در اکثر مناطق ایران فعال می¬باشند و کنترل فرایند تولید آنها مسئله مهمی می¬باشد. این کارخانه¬ها سعی در تولید محصول با خصوصیات یکسان و کاهش زمان و هزینه-های ناشی از آزمون¬های خواص فیزیکی تخته دارند؛ بنابراین شناسایی متغیرهای تاثیرگذار در خط تولید و پیش بینی مقدار این خواص در حین تولید ضروری می¬باشد و می¬تواند باعث بهینه نمودن فرایند و کیفیت یکنواخت تولید گردد. در این تحقیق متغیرهایی نظیر رطوبت خرده چوب قبل از خشک¬کن، رطوبت کیک خرده چوب در فرمینگ، میزان چسب مصرفی به ازای هر تخته، زمان پرس، دمای پرس، فشار پرس، و خواص فیزیکی از جمله دانسیته، درصد رطوبت (متعادل سازی)، درصد جذب آب و درصد واکشیدگی تخته خرده چوب خط تولید کارخانه دعبل خزاعی جمع¬آوری شد. داده-های نرمال سازی شده با استفاده از مدل رگرسیون گام به گام چندمتغیره خطی، روشهای شبکه عصبی مصنوعی و سیستم فازی بررسی شد تا بهینه¬ترین مدلها پیش بینی شوند. معیار سنجش دقت پیش بینی خواص فیزیکی مقدار درصد خطای مطلق می¬باشد. نتایج حاصله نشان داد که به ترتیب بهترین تعداد گره لایه اول و لایه دوم مدل پیش بینی روش شبکه عصبی مصنوعی bfgs برای دانسیته، درصد جذب آب 2 و 24 ساعت، درصد رطوبت (متعادل سازی) 2 و 24 ساعت و درصد واکشیدگی 2 و 24 ساعت تخته خرده چوب (خروجی¬ها)، 5-5، 5-5، 5-5، 5-5، 5-4، 5-5 و 5-4 و درصد خطای مطلق پیش بینی به ترتیب برای هر یک از آنها 54/30، 13/22، 41/1، 47/2، 40/14، 28/1 و 62/1 می¬باشد. بهترین مدل پیش بینی در سیستم فازی تابع z شکل با درصد خطای مطلق پیش بینی 22 درصد می¬باشد. روش شبکه عصبی مصنوعی در مقایسه با روش سیستم فازی از کارایی بهتری برخوردار است.