با ظهور یادگیری عمیق و پیشرفت‌های شگرفی که در زمینه‌های مختلف علوم داده، هوش مصنوعی و پردازش سیگنال به وجود آمده، شبکه‌های عصبی عمیق به یکی از ابزارهای اصلی برای حل مسائل پیچیده طبقه‌بندی، تشخیص و بازشناسی تبدیل شده‌اند. اما یکی از چالش‌های اصلی در فرآیند آموزش شبکه‌های عصبی عمیق، وجود داده‌های نامتوازن در پایگاه‌های داده مورد استفاده است. نامتوازن بودن داده‌ها به این معنا است که تعداد نمونه‌های موجود در برخی کلاس‌ها بسیار بیشتر از تعداد نمونه‌های موجود در سایر کلاس‌ها است. در چنین شرایطی، کلاس‌هایی که تعداد کمتری از نمونه‌ها دارند، کمتر توسط مدل یاد گرفته می‌شوند و مدل تمایل بیشتری به شناسایی کلاس‌هایی دارد که نمونه‌های بیشتری دارند. در این پژوهش، با توجه به پایگاه داده در دسترس که از جنس توالی‌های زمانی تصاویر دوبعدی کلمات اشاره مستقل و پویای فارسی می‌باشد، معماری شبکه عصبی‌ای توسعه داده شد که در دفعات متعدد آموزش آن، تاثیر استفاده از تابع خطای آنتروپی متقابل طبقه‌ای کانونی در مقابل تابع آنتروپی متقابل طبقه‌ای مقایسه گردید. برای ارزیابی نرخ دقت تشخیص این شبکه‌ها، از تکنیک ارزیابی متقابل k باره به ازای k برابر 4 استفاده شد. شبکه‌ای که با تابع خطای آنتروپی متقابل طبقه‌ای کانونی آموزش دیده بود توانست به نرخ دقت تشخیص 95/36% در مرحله ارزیابی دست یابد که در مقایسه با نرخ دقت تشخیص 93/16 درصدی شبکه دیگر، مقداری بیشتر است.