نتایج آزمایش پایداری مارشال، در ارتباط مستقیم با کارآیی بتن آسفالتی بوده و روانی زیاد نشانگر مقاومت کم مخلوط بتن آسفالتی در مقابل شیارشدگی می‌باشد. همچنین میزان فضای خالی آسفالت از جمله پارامترهای بسیار مهم در طرح آسفالت می باشد زیرا در نظر نگرفتن این پارامتر می تواند عمر مفید راه و عملکرد آن را به شدت تحت تاثیر بگذارد. در حال حاضر روش مقاومت مارشال در طرح اختلاط بتن آسفالتی بعنوان شاخصی تعیین کننده ازمقاومت مخلوط آسفالت در برابر تغییر شکل مورد استفاده قرار می گیرد که مبانی آن که در استاندارد ASTM:D1559 ارائه گردیده است. با توجه به هزینه‌های زیاد پروژه‌های آزمایشگاهی و مشکلات دسترسی، خصوصا در پروژه‌های دور افتاده و همچنین به دلیل کنترل نتایج آزمایشگاهی ارائه یک ابزار تحلیلی قوی مورد نیاز است. در این مقاله توانایی شبکه‌های عصبی مصنوعی جهت تعیین استحکام مقاومت مارشال طرح اختلاط بتن آسفالتی مورد مطالعه قرار گرفته است. ساختار شبکه (Multy Layer Perceptron) پرسپترون چندین لایه می‌باشد و برای آموزش آن از الگوریتم پس انتشار خطا و روش لونبرگ - مارکوات ( Levenberg - Marquardt ) استفاده شده است. برای تعین ویژگی‌های مخلوط بتن آسفالتی با استفاده از شبکه عصبی نمونه‌ها در آزمایشگاه جمع آوری و تست شده است. در این تحقیق تعداد 500 نمونه آزمایشگاهی تهیه شد که از این تعداد 500 نمونه، 70% نمونه‌ها برای آموزش شبکه و 30% آن‌ها برای ارزیابی عملکرد شبکه عصبی مورد استفاده قرار گرفت. از این 30%، نصف آن یعنی 15% به صحت سنجی و 15% برای تست استفاده گردید. مدل شبکه عصبی برای حالت یک لایه و دولایه پنهان انجام گرفته تا ساختار بهینه با بهترین عمکرد مشخص گردد. هدف اصلی این مقاله گسترش مدل شبکه عصبی مصنوعی ساده برای پیش بینی نتایج آزمایش مارشال در آینده است که به نتایج آزمایشات انجام گرفته دانه بندی و سایر آزماشات وابسته است. نتایج نشان می دهد که شبکه طراحی شده جهت پیش بینی مقاومت آسفالت از کارآیی بالائی برخوردار است.