حفاری در اکتشاف معادن،پروسه ای پرهزینه و زمانبر بوده و با مشکلات بسیاری همراه است. از اینرو وجود مدلی برای تعیین نقاط بهینه حفاری به دلیل تسهیل مدل سازی موقعیت و شکل توده معدنی و به تبع آن کاهش ریسک و هزینه فرآیند حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی، از اهمیت ویژه ای برخوردار است. تعیین نقاط بهینه حفاری از طریق در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکل گیری ذخایر معدنی و تلفیق فاکتورهای موثر بر کانی سازی انجام می شود.با توجه به اینکه روش های متداول تلفیق فاکتور های کانی سازی مانند روش های همپوشانی، بر دانش کارشناسی استوار است،و از آنجاییکه داده های موجود،مبنای قضاوت کارشناسان قرار می گیرد، دقت این روش ها با افزایش حجم اطلاعات پردازش شده و وجود نویز در داده ها به نحو قابل توجهی کاهش می یابد. لذا برای حل مشکلات موجودبه ابزارهای قوی در پردازش حجم عظیم اطلاعات و باانعطاف پذیری زیاد (بخصوص در صورت وجود نویز در داده ها) نیاز است. شبکه های عصبی با ساختار موازی و انعطاف پذیر، از توانایی بالایی در مدیریت جحم عظیم اطلاعات واستخراج الگو ها از میان داده های نویزدار برخوردارند. بنابراین شبکه های عصبی می توانند جهت شناسایی نقاط مناسب برای حفاری مورد استفاده قرار گیرند. از آنجاییکه این شبکه ها برحسب نوع توابع عملکرد دارای ساختارهای بسیار متنوع هستند، لازم است کارآیی هریک از این ساختارها در تعیین نقاط بهینه حفاری مورد بررسی و مطالعه قرارگیرد. لذا در این پایان نامه روش تعیین نقاط بهینه حفاری ذخایر معدنی مس پورفیری در محدوده های نوچون و چاه فیروزه استان کرمان با استفاده ازشبکه های عصبی mlp، rbf، grnn و pnn و بابهره گیری از روش cross correlation ارائه شده است. نتایج پیاده سازی این چهار نوع شبکه عصبی، نشان می دهد که در میان چهار ساختار مختلف شبکه عصبی، شبکه grnn از کارآیی بهتر با دقتی در حدود 86 درصد در اندیس معدنی چاه فیروزه و دقتی در حدود 85 درصد در اندیس معدنی نوچون برخوردار است. همچنین نتایج ارزیابی نقشه های تهیه شده توسط چهار شبکه عصبی mlp، rbf، grnn و pnn به وسیله اطلاعات گمانه های اکتشافی نشان می دهد که نقشه تهیه شده به وسیله شبکه عصبی grnn از انطباق بالاتری با گمانه ها برخوردار است.میزان انطباق این نقشه با گمانه های اکتشافی در اندیس چاه فیروزه 73 درصد و در اندیس نوچون 70 درصد می باشد.