در سال های اخیر، طبقه بندی مبتنی بر یادگیری ماشین و یادگیری عمیق به یکی از ارکان اصلی سامانه های پشتیبان تصمیم گیری در حوزه های حساس نظیر پزشکی، مالی، صنعت، انرژی و محیط زیست تبدیل شده است. با وجود پیشرفت های چشمگیر در معماری های یادگیری عمیق، بررسی ادبیات پژوهشی نشان می دهد که بسیاری از مدل های موجود، علی رغم دستیابی به دقت های عددی بالا، همچنان با چالش های بنیادینی نظیر ناپایداری یادگیری، حساسیت به مقداردهی اولیه و بذر تصادفی، و عدم هم راستایی میان تابع هزینه پیوسته و ماهیت گسسته مسئله طبقه بندی مواجه اند. این چالش ها به ویژه در کاربردهای حساس، اعتمادپذیری و قابلیت استقرار عملی مدل ها را با تردید مواجه می سازد. در این رساله، یک رویکرد نوین با عنوان یادگیری عمیق مبتنی بر پرش قابل اعتماد ارائه می شود که به عنوان یک مدل هیبریدی، منطق یادگیری گسسته جهت محور را با مفهوم قابلیت اعتماد در فرآیند آموزش تلفیق می کند. در این چارچوب، به جای به روزرسانی های پیوسته و تدریجی مبتنی بر گرادیان، فرآیند یادگیری از پرش های گسسته و جهت دار در فضای پارامترها بهره می گیرد و تنها آن دسته از به روزرسانی ها پذیرفته می شوند که علاوه بر بهبود عملکرد آموزشی، از پایداری مناسب بر روی داده های اعتبارسنجی برخوردار باشند. این سازوکار، شکاف مفهومی میان بهینه سازی پیوسته و هدف گسسته طبقه بندی را کاهش داده و به افزایش پایداری و قابلیت اعتماد مدل منجر می شود. برای ارزیابی عملکرد رویکرد پیشنهادی، بر روی مجموعه داده های متنوع در حوزه های مختلف داده کاوی از جمله داده های پزشکی، محیط زیستی و انرژی پیاده سازی و با روش های کلاسیک و یادگیری عمیق متداول مقایسه شده است. نتایج تجربی نشان می دهد که مدل پیشنهادی به طور میانگین بهبود دقتی در حدود 665 نسبت به شبکه های عصبی پیش خور عمیق استاندارد ارائه می دهد و در برخی کاربردهای تشخیص خطا، دقت طبقه بندی از حدود 52 در روش های کلاسیک به بیش از 99 افزایش یافته است. علاوه بر این، تحلیل نتایج چندبذری نشان می دهد که رویکرد جدید واریانس عملکرد را به طور معناداری کاهش داده و نسبت به مقداردهی اولیه و تغییرات تصادفی، رفتار پایدارتر و قابل پیش بینی تری از خود نشان می دهد. در ادامه، قابلیت به کارگیری رویکرد پیشنهادی در چارچوب فرآیندکاوی و به ویژه در گام پیش بینی فعالیت بعدی مورد بررسی قرار گرفته است. نتایج نشان می دهد که اگرچه پیاده سازی کامل یادگیری عمیق مبتنی بر پرش قابل اعتماد در مقیاس فرآیندکاوی با چالش هایی نظیر پیچیدگی محاسباتی و هزینه زمانی همراه است، اما بهبود مدل های طبقه بندی در سطح داده کاوی می تواند به طور مستقیم دقت و کارایی تحلیل های فرآیندی را ارتقا دهد.در مجموع، این رساله با بازتعریف منطق یادگیری طبقه بندی و ارائه یک چارچوب هیبریدی مبتنی بر پرش قابل اعتماد، گامی در جهت توسعه مدل های دقیق تر، پایدارتر و قابل اعتمادتر در داده کاوی و کاربردهای حساس برداشته و مسیر روشنی برای پژوهش ها و توسعه های آتی در حوزه یادگیری عمیق و فرآیندکاوی ارائه می دهد.