مسأله دسته بندی یکی از مسائل مهم جامعه امروزی است. با توجه به نقش حساس این مسأله در صنعت، پزشکی و سایر علوم، بهبود روش های دسته بندی با هدف دقیق تر انجام شدن این امر مهم مسأله ای است که همواره مورد توجه بوده است. به عنوان مثال بسیار اهمیت دارد که وجود بیماری سرطان به طور صحیح تشخیص داده شود. مسأله تشخیص سرطان یک مسأله دسته بندی است که طی آن بیمار در یکی از دو گروه افراد سرطانی و افراد غیرسرطانی قرار می گیرد. یکی از روش های دسته بندی که به طور وسیع به کار گرفته می شود، رگرسیون لجستیک چندگانه است. این روش در عین سادگی و مفید بودنش در زمان حضور اثرات غیرخطی و اثرات متقابل بین متغیرهای توضیحی دچار ضعف می شود و دقت آن در دسته بندی کاهش می یابد. به منظور رفع این مشکل می توان توابع غیرخطی مناسبی از متغیرهای توضیحی را در مدل وارد کرد. در این پایان نامه توابع غیرخطی مورد نظر به صورت حاصل ضرب متغیرهای توضیحی که هر کدام به یک توان حقیقی دلخواه رسیده اند، تعریف می شوند. در جهت تعیین تعداد توابع غیرخطی که در مدل حضور پیدا می کنند، همچنین توان های مربوط به متغیرهای توضیحی از شبکه های عصبی و الگوریتم های تکاملی استفاده می شود. در نهایت طی چند بررسی تجربی مدل ساخته شده به وسیله شبکه های عصبی و الگوریتم های تکاملی با مدل رگرسیون لجستیک چندگانه مورد مقایسه قرار می گیرد، نتایج حاصل از آزمون های آماری افزایش معنی دار دقت دسته بندی را نشان می دهد.