در دهه اخیر داده کاوری به سبب تلاش در راستای تسهیل فرآیند استخراج دانش بالقوه از داده ها، در کانون توجه بسیار از تحلیل گران علاقمند به کشف دانش قرار گرفته است. با افزایش سریع حجم داده های موجود در پایگاه های داده، لزوم یافتن روشهایی برایشناسایی داده های مفید بیش از گذشته مطرح شده است. لذا به عنوان یکی از اشخه های کاوش داده، شناسایی الگوهای تکرار شوند در دنباله های داده ای به یکی از مباحث عمده تبدیل گردیده و علی رغم اختلاف نظرهای بنیادی در تعریف اینگونه الگوها، مطالعات گسترده ای بر روی آن آغاز شده است آتاماتی سلولی یادگیر با نام اختصاری LCA به دلیل ساختار منظم، هماهنگی قابل کنترلسلولها و پوشش الگوهای تکراری شناسایی شده با ایجاد حلقه ههای متنهاهی در آتاماتاههای یادگیر موجود در هر سلول ، قابلیت و توانمندی لازم برای استفاده در داده کاور در جهت استخراج اینگونه الگوها را دارا است. یکی از مشکلاتی که در حال حاضربیماران دیابتی با آن روبرو هستند ضعف در تشخیص این بیماری در مراحل ابتدایی آن میباشد به همین منظور در این مقاله سعی شده است با استفاده از برخی الگوریتمها و مد های آتاماتای سلولی که عبارتند ازRandom Forest ، C4.5 ، Naive Bayse ، SVM وهمچنین ترکیب این الگوریتمها با دستهبندی کننده تجمعیBagging استفاده از8ویژگی به همراه نمونه ها درپایگاه داده استاندارد، که هر یک بازگو کننده افراد سالم و مبتلا به بیماری دیابت میباشند به تشخیص وجود یا عدم وجود بیماری دیابت با توجه به معیارهای دقت و سرعت عمل آتاماتاهای سلولی هوشمند در تشخیص این بیماری خواهیم پرداخت