تشخیص الگو عبارت است از دسته¬بندی و تفکیک الگو¬های خاص بر اساس ویژگی¬های از پیش تعریف شده، از مجموعه¬ای از داده¬های در دسترس. پیاده¬سازی بسیاری از مهارت¬های انسانی نظیر تشخیص چهره ، تشخیص صحبت ، خواندن حروف دست-نوشته با قابلیت پایداری بسیار بالا در برابر نویز و شرایط محیطی مختلف توسط ماشین، یکی از مشکلات و مسائلی است که در چند دهه اخیر موردتوجه پژوهش¬گران قرارگرفته است. تشخیص الگو دربرگیرنده طیف گسترده¬ای از روش¬های کلاسیک آماری، الگوریتم¬های هوشمند، شبکه¬های عصبی و منطق فازی است. یکی از قسمت¬های مهم در تشخیص و بازشناسی الگو، طبقه¬بندی کردن الگوها می باشد. روش¬های مختلفی برای این منظور معرفی شده است؛ یکی از این روش¬ها که در سال¬های اخیر بیشتر موردتوجه پژوهش¬گران قرارگرفته است طبقه¬بندی کننده¬های فازی می¬باشد. طبقه بندی کننده¬های فازی شامل پارامتر¬هایی ازجمله تعداد قواعد، تعداد ویژگی¬ها، نوع و مکان توابع عضویت و... می¬باشد. مقادیر این پارامتر¬ها تأثیر چشمگیری بر روی عملکرد طبقه بند فازی دارند. تعیین دستی این پارامتر¬ها کاری وقت گیر و دشوار می-باشد. اخیرا از روش¬های هوشمند برای تعیین این پارامتر¬ها استفاده می¬شود. ازجمله این روش¬ها می¬توان به استفاده از الگوریتم¬های زیستی نظیر ga ، gsa ، pso و... اشاره کرد. در این پایان¬نامه از الگوریتم ipo برای طراحی طبقه¬بندی کننده فازی استفاده شده است. نتایج حاصل از اعمال این طبقه-بندی کننده بر روی چند مجموعه داده، کارایی این روش را تائید می¬کند.