موضوع این تحقیق بررسی پتانسیل روش های هوشمند یادگیری ، شبکه عصبی مصنوعی برای برآورد ارزش اصلاحی (ebv) گوسفند نژاد کرمانی است. پس از مرتب سازی داده ها، برای اطمینان از صحت ارزشهای اصلاحی آن ها را مجددا توسط نرم افزار as-remal محاسبه شد و به مجموع داده ها اضافه گردید.پس از کامل شدن، داده ها در فرآیند پیش پردازش نرمال سازی گردیده و در بازه -1 و 1 قرار گرفتند. پس از نرمال سازی داده ها به نرم افزار متلب منتقل شده و طراحی شبکه عصبی شروع شد. برای وزن تولد شبکه ای با مشخصات 8 نرون در لایه میانی با تابع آموزشlm و ضریب همبستگی 0/728 برای داده های تست بدست آمد. در مورد وزن 3 ماهگی دو شبکه طراحی و نتیجه آن ها به این صورت گزارش گردید که شبکه اول با 5 نرون ورودی و تابع آموزشlm ضریب همبستگی 0/704 برای داده های تست داشت و شبکه دوم که علاوه بر5 ورودی سابق شامل ارزش اصلاحی وزن تولد هم می شد با تابع lm و 3 نرون در لایه مخفی ضریب همبستگی 0/74را برای داده های تست داد. برای وزن 6 ماهگی هم 2 شبکه مورد بررسی قرار گرفت که شبکه اول با 7 متغییر ورودی وبه شبکه دوم ورودی های ارزش اصلاحی وزن تولد و ارزش اصلاحی وزن 3 ماهگی هم اضافه گردید. شبکه اول با 7 نرون در لایه مخفی و تابع lm ضریب همبستگی 0/703 و شبکه دوم با همین مشخصات ضریب همبستگی برابر با 0/864 را داشت. در پایان با بررسی نتایج کسب شده در این تحقیق دراین تحیق نتیجه گرفته شده که استفاده ازارزش اصلاحی صفت وزن تولد، دقت برآورد ارزش اصلاحی را افزایش می دهد و همچنین استفاده از ارزش اصلاحی وزن تولد و 3 ماهگی ، برآورد دقیقتری از ارزش اصلاحی وزن 6 ماهگی را می دهد. همچنین مقایسه نتایج این تحقیق با مطالعات صورت گرفته در همین زمینه نشان می دهد که شبکه های عصبی پتانسیل برآورد ارزش اصلاحی صفات رشد گوسفند نژاد کرمانی را با دقت قابل توجهی دارند.