با توجه به امکان مخلوط شدن انواع بادام سنگی،‏ نیمه‌کاغذی و کاغذی با ارزش اقتصادی متفاوت پس از برداشت محصول،‏ استفاده از یک سامانه جداکننده مؤثر برای عرضه محصولی یکنواخت به بازار فروش،‏ اهمیت بسزایی دارد. در این پژوهش با به‌کارگیری سامانه آکوستیکی برای درجه‌بندی ارقام بادام در سه کلاس بادام سنگی،‏ نیمه کاغذی و کاغذی،‏ سیگنال صوتی حاصل از سقوط و برخورد هستة بادام با صفحه فولادی،‏ با استفاده از یک میکروفون دریافت و ویژگی‌هایی نظیر دامنه،‏ فاز و چگالی طیف توان پس از پردازش سیگنال‌ها در حوزه زمان و با تبدیل فوریه سریع در حوزه فرکانس استخراج گردید. برای تشخیص و طبقه‌بندی سیگنال‌های صوتی،‏ تکنیک‌های هوش مصنوعی شامل شبکه عصبی مصنوعی و استنتاج فازی-عصبی تطبیقی (انفیس) بکار گرفته شد و کارآیی آن‌ها از نظر دقت مورد مقایسه قرار گرفت. شبکه عصبی مورداستفاده،‏ از نوع پرسپترون چندلایه با الگوریتم پس انتشار خطا و تابع یادگیری لونبرگ- مارکوارت (LM)‎ بود. در طبقه‌بندی با مدل انفیس،‏ به دلیل محدودیت این مدل در تعداد ورودی‌ها،‏ از سه مؤلفه اصلی چگالی طیف توان که از الویت بالاتری برخوردار بودند به‌عنوان ورودی و از تکنیک شبکه‌ای با روش بهینه‌سازی هیبرید برای آموزش استفاده شد. در مقایسه کارآیی دو تکنیک هوش مصنوعی در درجه‌بندی ارقام بادام،‏ مدل شبکه عصبی مصنوعی با میانگین دقت طبقه‌بندی 2‎/96 درصد نسبت به مدل انفیس با میانگین دقت 81 درصد،‏ از عملکرد بهتری برخوردار بود.