ناحیه بندی یک پردازش میانی در مباحث پردازش تصویر است که نقش اساسی در تحلیل تصاویر و بینایی ماشین دارد. معمولاً مرحله اول در تحلیل تصویر بخش بندی است. با عمل بخش بندی تصویر به قسمت های تشکیل دهنده اش تقسیم می شود. میزان بخش بندی، به موضوع مورد نظر بستگی دارد. یعنی وقتی اشیای مورد علاقه کاربرد مورد نظر از هم جدا شدند، باید بخش بندی متوقف شود. به طور کلی بخش بندی یکی از مشکل ترین کارها در پردازش تصویر است. این مرحله است که موفقیت یا شکست احتمالی تحلیل تصویر را تعیین می کند. در این بین عاملی به نام نویز مانعی برای رسیدن به ناحیه بندی مطلوب است. هدف این پایان نامه ارائه مدلیست که ناحیه بندی را در شرایط نویزی با درجه مطلوبیت خوبی به انجام برساند. برای این امر شبکه عصبی را به دلیل ویژگی های خوب آن از قبیل یادگیری و قابلیت تعمیم استفاده می کنیم. در این مدل از شبکه های عصبی بدون ناظر استفاده شده است. این شبکه ها برای یادگیری از رابطه بین الگو های ورودی استفاده می کنند. در این بین شبکه عصبی som از ویژگی های جالبی برای رسیدن به امر ناحیه بندی تصاویر نویزی برخوردار است.در این روش مشکل تعیین تعداد کلاس ها را می توان با تعیین یک سقف برای خروجی های آن برطرف کرد. ویژگی دیگر آن یادگیری بدون نیاز به الگوی ورودی می باشد. روال کار به این صورت می باشد که ابتدا بلاک های تصویر را به شبکه آموزش می دهیم، پس از پایان یادگیری دو سطح آستانه را بر روی خروجی ها اعمال می کنیم. این کار باعث می شود که ناحیه هایی که نماینده پیکسل های کمی هستند و همچنین ناحیه هایی که در شدت روشنایی بسیار نزدیک به هم هستند از بین بروند. خروجی روش پیشنهادی با الگوریتم های هم راستا از قبیل kmeans, fcm, som مورد مقایسه قرار داده ایم. این مقایسه با تصاویر پایه مختلف و با نویزهای مختلف صورت گرفته است و نتایج نشان داده است که روش پیشنهادی در شرایط نویزی بسیار مقاوم است و جواب خوبی را بر می گرداند.