تکنولوژی بذر مصنوعی یک فناوری در حال رشد در حوزه بیوتکنولوژی گیاهی است که پتانسیل قابل توجهی برای تکثیر و محافظت از گونه‌های نادر و در معرض خطری را دارد که ازدیاد آن‌ها به روش معمول مشکل است. در این مطالعه، از نرم‌افزار Image J برای پردازش تصویر دیجیتال کپسوله‌ها و تعیین درصد کرویت، حجم کپسوله‌ها و شاخص مرکزیت پروتوکورم در بذر مصنوعی استفاده شد. عملکرد شبکه‌های مصنوعی MLP و RBF و روش سطح پاسخ (RSM) برای پیش‌بینی و بهینه-سازی ویژگی‌های فیزیکی بذر مصنوعی ارکیده فالانوپسیس، بر اساس مجموع مربعات خطا (SSE) و ضریب همبستگی (R) برای هر متغیر خروجی مقایسه شد. غلظت‌های مختلف آلژینات سدیم (3، 4 و 5 درصد)، کلرید کلسیم (100، 125 و 150 میلی مولار) و ارتفاع سقوط قطره (1، 5/1 و 2 سانتی متر)، به عنوان متغیرهای ورودی و درصد کرویت، حجم کپسوله‌ها و شاخص مرکزیت پروتوکورم به عنوان متغیرهای خروجی‌ مدل در نظر گرفته شدند. نتایج نشان داد که پردازش تصویر یک روش موثر برای تعیین ویژگی‌های فیزیکی بذر مصنوعی است. متغیرهای ورودی در سطح احتمال 5 درصد رابطه مثبت و معنی‌‌داری با هر سه متغیر خروجی داشتند. طبق نتایج به دست آمده شبکه عصبی MLP از نظر قابلیت‌های پیش‌بینی و مدل‌سازی آن در مقایسه با مدل‌های RBF و RSM برتری قابل توجهی نشان داد. شرایط بهینه برای پیش‌بینی درصد کرویت، حجم کپسوله‌ها و شاخص مرکزیت پروتوکورم، به ترتیب با بیشترین ضرایب همبستگی 79/0، 57/0و 67/0 و حداقل مجموع مربعات خطای 0014/0، 0031/0 و 0042/0 در ساختارهای MLP 3-14-1، MLP 3-10-1 و MLP 3-14-1 انتخاب شد. نتایج نشان داد که شبکه‌عصبی مصنوعیMLP ابزاری مناسب جهت پیش‌بینی و بهینه‌سازی ویژگی‌های فیزیکی بذر مصنوعی ارکیده فالانوپسیس است.