بیابان زایی پس از دو چالش تغییر اقلیم و کمبود آب شیرین به عنوان سومین چالش مهم جهانی در قرن 21 محسوب می شود. شناخت و ارزیابی عوامل موثر در روند بیابان زایی، می تواند در مدیریت بهتر سرزمین بسیار مفید باشد. منطقه مورد بررسی که درجنوب شهرستان نیشابور واقع شده است، طی سال های گذشته به دلیل خشکسالی، تخریب پوشش گیاهی، تبدیل اراضی مرتعی به کشاورزی دیم، فرسایش آبی و بادی و همچنین نداشتن مدیریت مناسب زمین با مشکل بیابان زایی روبرو است. در این تحقیق، پس از عملیات میدانی، بررسی عکس های هوایی و تصاویر ماهواره ای اقدام به جمع آوری اطلاعات و تجزیه و تحلیل آنها در سیستم اطلاعات جغرافیایی شد. سپس طبق روش فائو- یونپ (1984 میلادی) معیارهای تاثیرگذار مانند وضعیت زوال پوشش گیاهی، وضعیت فرسایش آبی، فرسایش بادی وگسترش شوری امتیازبندی شدند. در پایان نقشه وضعیت بیابان زایی بر اساس چهار عامل اصلی بدست آمد. با توجه به نتایج بدست آمده مشخص شد که وضعیت بیابان زایی در شمال منطقه شدید بوده که مهم ترین دلیل آن، کاهش درصد تاج پوشش، زوال پوشش گیاهی و فرسایش آبی شدید می باشد. این در حالی است که 57 درصد منطقه دارای وضعیت بیابان زایی متوسط و 30 درصد دارای وضعیت ناچیز است. برای بررسی نتایج به دست آمده در ارزیابی روند بیابان زایی به روش فائو، از خوارزمیک شبکه های عصبی مصنوعی استفاده شد. پس از استخراج، تکمیل و تعریف حدود هر یک از طبقات ضعیف، متوسط، شدید و بسیار شدید برای متغیرهای ورودی، نقشه وضعیت بیابان زایی به عنوان معیار سنجش عملکرد شبکه های عصبی مصنوعی در بحث آموزش و پیش بینی وضعیت منطقه بکار گرفته شد. با بررسی نتایج و بر اساس معیارهای خطا، پس از بهینه سازی مدل، مقدار 0.07975 برای متغیر متوسط مربعات خطا به دست آمد. در نهایت مدل نهایی با ساختار پرسپترون با یک لایه ورودی و چهار نرون ورودی، برای متغیرهای اصلی، یعنی زوال پوشش گیاهی، فرسایش بادی، فرسایش آبی و وضعیت شوری و همچنین یک لایه پنهان با 39 نرون در لایه پنهان و همین طور یک لایه خروجی، با استفاده از خوارزمیک آموزش گشتاور در هر دو لایه پنهان و خروجی به عنوان مدل نهایی انتخاب شد. نتایج نشان داد که معیار میانگین مربعات خطا، عملکرد مناسب مدل را در وضعیت بیابان زایی منطقه با روش فائو- یونپ تائید می کند و می تواند در موارد مشابه نیز استفاده شود. همچنین مشاهده شد که انتخاب ساختار مدل، خوارزمیک آموزش، تعداد سیکل آموزش و همچنین تعداد نرون های لایه ورودی می تواند در عملکرد ساختارهای مختلف شبکه های عصبی تاثیرگذار باشد.