شبکه هاي عصبی توابع پایه شعاعی (RBF) یکی از پرکاربردترین شبکه هاي عصبی در تشخیص و کلاس بندي اهداف سوناري میباشند. با توجه به استفاده از روش هاي بازگشتی و گرادیان نزولی براي آموزش شبکه هاي ،RBFدقت دسته بندي نامناسب، گیر افتادن در کمینه هاي محلی و سرعت همگرایی پایین از معایب این نوع شبکه میباشد. به منظور غلبه بر این معایب، این مقاله براي آموزش شبکه RBFاز الگوریتم بهینه ساز حرکت یونها (IMO) استفاده میکند. به منظور سنجش عملکرد شبکه طراحی شده با الگوریتم هاي معیار ES ،ACO ،GA ،PSOو PBILاز نظر سرعت همگرایی، دقت کلاس بندي و اجتناب از بهینه محلی مقایسه میشود. نتایج نشان دهنده آن است که شبکه طراحی شده با الگوریتم IMOنسبت به الگوریتم هاي معیار نتایج بهتري را ارائه میکند به صورتی که نسبت به بهترین الگوریتم 2/69درصد دقت بیشتري دارد.