آلیاژهای حافظه دار موادی هستند که می توانند به تغییرات محیط به بهترین شکل ممکن پاسخ داده و رفتار خود را نسبت به تغییرات تنظیم نمایند. پدیده هیسترسیس یک پدیده غیرخطی است که وابستگی یک سیستم را به شرایط قبلی آن سیستم نشان می دهد و اثرات قوی آن در تمامی مواد هوشمند یافت می شود. مدل هیسترسیس پریساچ شناخته شده ترین مدل پدیده شناسی بر پایه عملگرها برای بررسی پدیده هیسترسیس در مواد هوشمند است. در این پایان نامه از یک شبکه عصبی چند لایه با الهام از مدل پریساچ با یک ورودی، یک خروجی و دو لایه پنهان، استفاده شده که آن را شبکه عصبی پریساچ می نامند. این مدل پیچیدگی های مدل پریساچ را آسان نموده است و به مدلی کارا برای مدل سازی انواع غیرخطی های هیسترسیس تبدیل شده است. با کنترل برخی پارامترها و استفاده از تکنیک های مختلف می توان دقت، سرعت و کارایی این روش را بهبود بخشید. استفاده از الگوریتم ژنتیک برای تخمین اولیه وزن ها، اضافه نمودن نرون بایاس برای افزایش توانایی در مدل سازی انواع هیسترسیس، کنترل بازه انتخاب وزن ها برای افزایش سرعت و دقت یادگیری، استفاده توام از دو تابع معیار برای الگوریتم بهینه سازی، کنترل تعداد نرون های مورداستفاده در لایه پنهان اول و دوم و کنترل تعداد تکرار در حین فرایند بهینه سازی و اضافه کردن توانایی یادگیری هیسترسیس وابسته به زمان مواردی هستند که در این پایان نامه به آن ها پرداخته شده است. همچنین به منظور بررسی قابلیت یادگیری، این شبکه عصبی به نتایج آزمایشگاهی موجود در سایر تحقیقات اعمال شده است و نتایج به دست آمده نشان دهنده قابلیت بالای یادگیری رفتار هیسترتیک در این مدل می باشند.