چکیده: چکیده در سال های اخیر، معماری انتزاع و همجوشی تصمیم با هدف ایجاد توازن میان دقت، سرعت پردازش و مصرف بهینه منابع در مدل های یادگیری ماشین توسعه یافته و در کاربردهایی مانند تشخیص زبان اشاره و تشخیص اعداد دست نویس انگلیسی مورد استفاده قرار گرفته است. این معماری در سه لایه مجزا تعریف شده که عبارتند از لایه انتزاع، لایه محاسبه و لایه همجوشی. در لایه انتزاع، روال های خلاصە سازی دادە ها توسعه داده می شوند و در لایه محاسبه، مدل های محاسباتی سبک وزن طراحی و پیادە سازی می شوند که ورودی هر مدل، خروجی یکی از روال های انتزاع است. در لایه همجوشی، تصمیم مدل های لایه دوم ترکیب می شود تا مدل جامع ایجاد شده بتواند تصمیم نهایی را تولید کند. در این پایان نامه، پس از بررسی و کنکاش این معماری، آن را برای توسعه مدل های یادگیری ماشین در دو زمینه دستە بندی ارقام دست نویس فارسی و تشخیص احساسات، مورد استفاده قرار داده ایم. در زمینه دستە بندی ارقام دست نویس، مدل پیشنهادی علاوه بر حفظ دقت بالا، در کارآیی محاسباتی و مصرف منابع نیز عملکرد مطلوبی داشته و به دقت بیش از ۹۶ درصد روی مجموعە داده تصویری IFHCDB دست یافته و مدل های مدرن موجود را در معیارهای دقت، کارآیی و مصرف منابع پشت سر گذاشته است. در زمینه تشخیص احساسات نیز مدل های پیشنهادی به دقت بیش از ۹۶ درصد در مجموعه دادە ویدئویی L-SVD دست یافته و در مقایسه با مدل های مدرن مورد استفاده در این زمینه، علاوه بر دقت بالاتر، در کاهش بار پردازشی و مصرف بهینه حافظه نیز موفق تر بوده است. نتایج این پژوهش، پتانسیل بالای معماری انتزاع و همجوشی تصمیم برای توسعه مدل های یادگیری ماشین در زمینه های مربوط به پردازش تصویر و ویدئو را نمایان می سازد.