هدف: عدم کنترل سلامت رانندگان باعث مرگ انسان های سالم در بهترین دوره زندگی از نظر کارایی، تندرستی می شود و هزینه های مالی زیادی را بر کشور تحمیل می کند. هدف این مطالعه طراحی سیستم هوشمند با استفاده از شبکه عصبی MLP و RBF جهت تشخیص سلامت رانندگان است.روش بررسی: 350 نمونه از پرونده رانندگان مراجعه کننده به مرکز طب کار استان ایلام انتخاب گردید، سپس اطلاعات بالینی از پرونده رانندگان بصورت چک لیست با استفاده از نظر متخصصان بر اساس گاید لاین وزارت بهداشت با روش دلفی گردآوری شد. در این مطالعه شبکه های MLP و RBF با تغییراتی در تعداد لایه های میانی، تعداد نرونها و الگوریتم های آموزش MOM و LM و CG به منظور تعیین سلامت راننده به کار گرفته شد. سپس با توجه به معیارهای سطح زیر منحنی راک، حساسیت، ویژگی برتر معرفی گردید.نتایج: در این پژوهش 20 متغیر ورودی و دو متغیر سالم و ناسالم خروجی تعیین گردید. شبکه عصبی MLP و RBF با الگوریتم LM دارای بهترین عملکرد به ترتیب از ویژگی 66.7، 29 درصد، حساسیت 97.2، 100 درصد، صحت 91.1، 86 درصد و سطح زیر منحنی راک برای سیستم عصبی MLP و RBF به ترتیب 91.02 و 88.1 بدست آمد.نتیجه گیری: با توجه به این مطالعه مدل شبکه عصبی MLP با الگوریتم آموزشی LM در مقایسه با سیستم عصبی RBF، در سنجش سلامت رانندگان می تواند نقش موثری در کمک به پزشکان داشته باشد و در مراکز طب کار برای بالا بردن دقت و سرعت و کاهش هزینه ها به کار گرفته شود.