هر رقم برنج برتری های ویژه ی خود را دارد؛ به طوری که شناخت رقم و یا اطمینان از صحت رقم معرفی شده در تمام مراحل زراعی و مهم تر از آنها در مراحل پس از برداشت بسیار مهم است؛ زیرا به طور مستقیم در عملکرد محصول برداشت شده و نیز عملکرد محصول فرآوری شده تأثیرگذار است. روش های موجود برای شناسایی ارقام برنج وقت گیر و هزینه بر بوده و مخرب هستند. لذا بررسی و ارائه ی روش های نوین ضرورت می یابد. از این رو هدف از انجام این پژوهش استخراج ویژگی های رنگی، مورفولوژیکی و بافتی ارقام متداول برنج در ایران و دسته بندی ارقام بر اساس این ویژگی ها با استفاده از ابزارهای هوش محاسباتی است. در این پژوهش تصاویر دیجیتالی دانه های سیزده رقم برنج متداول در ایران در سه حالت شلتوک، برنج قهوه ای و برنج سفید تهیه شد و پس از انجام عملیات پیش پردازش و قطعه بندی تصاویر با استفاده از نرم افزار matlab، برای هر دانه ی برنج نودودو ویژگی شامل شصت ویژگی رنگی، چهارده ویژگی مورفولوژیکی و هجده ویژگی بافتی استخراج شد. پس از بررسی نرمال بودن توزیع داده ها، احتمال معنی داری تفاوت بین ارقام در تمام ویژگی ها با استفاده از تحلیل واریانس بررسی شد و از آزمون حداقل اختلاف معنی دار برای مقایسه ی دقیق تر ارقام استفاده گردید. برای کاهش ابعاد داده ها و تمرکز بر روی موثرترین مولفه ها در شناسایی ارقام از روش تحلیل مولفه های اصلی (pca) استفاده شد. دقت جداسازی ارقام برنج با استفاده از روش تحلیل تشخیصی (da) برای ارقام شلتوک، برنج قهوه ای و برنج سفید به ترتیب برابر با 2/89%، 7/87% و 1/83% به دست آمد. برای شناسایی و دسته بندی ارقام مورد نظر یک شبکه ی عصبی پرسپترون چندلایه بر اساس موثرترین مولفه ها طراحی گردید و فرآیند آموزشی آن با استفاده از الگوریتم لِوِنبرگ ـ مارکوارت انجام شد. نتایج نشان داد که این شبکه ی عصبی مصنوعی همه ی ارقام مورد نظر را با دقت دسته بندی 100% و با ضریب تبیین مدل رگرسیونی 9998/0 دسته بندی نماید. بنابراین می توان گفت برای شناسایی و دسته بندی ارقام برنج می توان از ترکیب فنون پردازش تصویر و انواع روش های تشخیص الگو مانند دسته بندهای آماری و شبکه های عصبی مصنوعی به طور موفقیت آمیزی استفاده کرد.