بحران­های مالی در سطح بین­الملل و اتخاذتصمیمات سیاسی موجب تاثیرگذاری در محیط کسب و کار شده است. از آن­جایی که آینده­یوضعیت مالی شرکت­ها برای گروه­های مختلف ذی­نفع، مهم تلقی می­گردد، پیش­بینیورشکستگی [1] می­تواند به عنوان ابزاری جهت کمک به آن­ها استفاده شود. روش­های پیش­بینی به طورمداوم در حال تکامل هستند. امروزه روش­های ترکیبی، برای رفع معایب روش­های تکی وارتقای دقت آن­ها، جایگاه ویژه­ای در بین روش­ها پیدا کرده است. روش­های آماری وهوش محاسباتی متعددی برای دسته­بندی شرکت­ها وجود دارد. یک روش آماری رایج در امردسته­بندی شرکت­ها (به دو گروه ورشکسته و غیر ورشکسته)، استفاده از رگرسیون لجستیکاست. مدل رگرسیون لجستیک با در نظر گرفتن یک ترکیب خطی از متغیرهای توضیحی (یاهمان ویژگی­ها)، احتمالات پسین عضویت در هر دسته را مدل­سازی می­نماید. از جملهروش­های پرکاربرد برای پاسخ به دسته­بندی الگوهای غیرخطی موجود در داده­ها شبکه­هایعصبی مصنوعی می­باشند. از آن­جایی که کلیه­ی مسائل دسته­بندی از نوع خطی جداییپذیر یا غیرخطی جدایی پذیر نیستند، لذا در این پایان­نامه با اضافه کردن متغیرهای توضیحی غیرخطی از شبکه عصبی احتمالی ( [2] ) وشبکه عصبی پرسپترون چندلایه (MLP [3] ) بهرگرسیون لجستیک، به طبقه­بندی الگوهای خطی و غیرخطی موجود در داده­ها به طور هم­زمانپرداخته شده است. علاوه بر این مدل­های رگرسیون لجستیک، شبکه عصبی احتمالی و شبکهعصبی پرسپترون جزء روش­های قطعی مدل­سازی هستند و لذا توانایی مدل­سازی الگوهایغیرقطعی موجود در داده­ها را ندارند. به عبارت دیگر، مدل ترکیبی این روش­ها تنهامی­تواند الگوهای خطی و غیرخطی قطعی موجود در داده­ها را مدل­سازی نماید. بنابرایناز منطق فازی نیز به منظور تکمیل مدل پیشنهادی استفاده شده است. بدین ترتیب روشترکیبی پیشنهادی می­تواند الگوهای خطی قطعی، الگوهای غیرخطی قطعی، الگوهای خطیغیرقطعی و الگوهای غیرخطی قطعی را به صورت هم­زمان، مدل­سازی کند. پس از برآوردهمه­ی پارامترها، مدل لجستیک فازی پیشنهادی حاصل، به کمک چند مجموعه داده با روشلجستیک، لجستیک فازی، شبکه عصبی احتمالی، شبکه عصبی پرسپترون و چند روش دیگر موردمقایسه قرار می­گیرد. نتایج آزمایش­ها، نشان دهنده­ی برتری این روش نسبت به روش­هایدیگر است.