مدل سازی توانا?? س?ستم ب?نا?? انسان در بازشناس? راحت و سر?ع اش?اء در صحنه های پ?چ?ده، توجه محقق?ن ز?ادی را به خود جلب نموده است. ب?شتر مدل های ارائه شده در ا?ن زم?نه رفتار س?ستم ب?نا?? انسان در بازشناس? اش?اء را در چند?ن مرحله و به صورت سلسله مراتب? تقل?د م? کنند. مغز انسان هر روزه حجم وسیعی از داده های با ابعاد زیاد مانند تصاویر و گفتگوها را به صورت مستمر پردازش و بازشناسی میکند. با آن که ماشین ها سرعت محاسباتی بالایی دارند اما از این حیث از انسان بسیار ضعیف تر هستند. راه حل بر طرف کردن ضعف ماشینها در این زمینه، ایجاد الگوریتمهایی است که قادر بر تقلید و بازسازی روشهای محاسباتی و یادگیری مغز باشند، در این تحقیق مدل استاندارد بازشناسی شیء (hmax) در بخش استخراج patch هدفمند شده است. از پایگاه دادهی caltech برای محک مدل های پیشنهادی استفاده شده است. باتوجه به تعداد زیاد patchها در مدل استاندارد hmax که به طور تصادفی استخراج میشوند، در این پروژه، انتخاب patchها هدفمند شده است به طوری که از نواحی پس زمینه نباشند. دلیل اهمیت مسأله استخراج هدفمند patchها این است که در مرحله ی پایانی مدل hmax، یک مقایسه بین تصویر ورودی و زیرتصویرهای ذخیره شده صورت می گیرد. در روش پیشنهادی، با حذف پس زمینه، تنها قسمت هایی از تصویر که شامل شیء مورد نظر هستند به عنوان patch استخراج می شوند. ساختار نهایی طراحی شده در این تحقیق مطابق انتظار توانسته مولفه های پیچیده در تصاویر پایگاه داده ی caltech را استخراج و در مقایسه با مدل اولیه درک بهتری از آن داشته باشد.