همگام با رشد روز افزون شبکه¬‏‏های کامپیوتری و سیستم¬‏‏های مبتنی بر وب، به کارگیری سیستم¬‏‏های هوشمند جهت تشخیص و جلوگیری از نفوذ عوامل مخرب امری حیاتی به حساب می¬آید. از طرف دیگر با توجه به سیل عظیم طراحی عوامل هوشمندی همچون روبات¬‏‏های وب جهت استفاده از منابع اطلاعاتی و به کارگیری آن‏‏ها در اهداف خاصی از قبیل محروم سازی سرویس¬‏‏های مبتنی بر وب، اتخاذ سیستمی کارا وبهینه بیش از پیش احساس می¬شود که می¬تواند نقش به سزایی در بهبود امنیت سیستم¬‏‏های اطلاعاتی را ایفا نماید. با توجه به مسائل مطرح در این زمینه از قبیل عدم توازن داده و حجم بالای محاسبات، به کارگیری سیستمی انعطاف پذیر جهت بهبود توانایی تشخیص و دسته بندی درخواست¬‏‏های ورودی به یک سرور، که منجر به شناخت نوع بازدیدکنندگان وب می¬گردد امری ضروری محسوب می¬شود. سیستم استنتاج فازی با توجه به توانایی یادگیری از روش¬‏‏های کلاس بندی و خوشه بندی توانایی بالایی در تشخیص صحیح بازدیدکنندگان وب را دارا می¬باشد. در این پایان نامه پس از مطرح کردن پیش زمین‏‏های در مورد مساله تشخیص روبات-‏‏های وب، سیستم¬‏‏های ترکیبی فازی جهت تشخیص بازدیدکنندگان وب ارائه گردیده است. در ادامه جهت بهبود عملکرد سیستم¬‏‏های ارائه شده از نظر پیچیدگی محاسباتی از روش¬‏‏های کاهش ابعاد استفاده می¬شود که علاوه بر کاهش چشم گیر حجم محاسبات، شاهد دقت بالای سیستم نسبت به سایر روش¬‏‏ها معرفی شده در این زمینه هستیم. دقت سیستم فازی ارائه شده دارای نرخ خطای 0.0086 در برابر نرخ خطای ماشین بردار پشتیبان در حالت مشابه برابر 0.01 و شبکه باور بیزین با خطای 0.019 می¬باشد. علاوه بر این در خوشه بندی فازی و سیستم فازی-عصبی پس از اعمال گام بهینه سازی سیستم نرخ خطا برای خوشه بندی فازی از 0.21284 به 0.049822 و در سیستم فازی عصبی به 0.028208 کاهش می¬یابد علاوه براین عمکرد سیستم فازی در مقابل خوشه بندی مبتنی بر چگالی با نرخ خطای 0.05053 و خوشه بندی k-means با نرخ خطای 0.159091 دارای عملکرد بهتری می¬باشد. این امر در حالی رخ می¬دهد که آموزش سیستم فازی بر اساس ویژگی-‏‏های استخراجی از مجموعه داده اصلی با 20 ویژگی، فقط به کمک 4 تا 7 ویژگی انتخابی صورت گرفته است.