รายงานฉบับนี้ครอบคลุมการใช้มัลติเลเยอร์เพอร์เซ็บตรอนและต้นไม้ตัดสินใจซึ่งสร้างขึ้นโดยการโปรแกรมเชิงพันธุกรรมในการจำแนกประเภทธาลัสซีเมีย จุดมุ่งหมายของการศึกษาคือการแยกประเภทผู้ป่วยโรคธาลัสซีเมีย บุคคลที่มีภาวะแฝงของธาลัสซีเมีย และบุคคลปกติโดยการวิเคราะห์คุณลักษณะของเม็ดเลือดแดง เรติคูโลไซต์ และเกร็ดเลือด ผลของการจำแนกชี้ให้เห็นว่าความสามารถในการจำแนกของต้นไม้ตัดสินใจซึ่งสร้างขึ้นโดยการโปรแกรมเชิงพันธุกรรมใกล้เคียงกับมัลติเลเยอร์เพอร์เซ็บตรอนที่มีชั้นซ่อนเดียว แต่มัลติเลเยอร์เพอร์เซ็บตรอนที่มีชั้นซ่อนสองชั้นซึ่งเป็นมัลติเลเยอร์เพอร์เซ็บตรอนที่มีโครงสร้างเหมาะสมกว่าเมื่อพิจารณาจากข่ายงานที่มีจำนวนชั้นซ่อนแตกต่างกันมีความสามารถในการจำแนกสูงกว่าต้นไม้ตัดสินใจ อย่างไรก็ตามโครงสร้างของต้นไม้ตัดสินใจชี้ให้เห็นว่าคุณลักษณะของเลือดบางส่วนที่นำมาใช้เป็นข้อมูลเข้าไม่มีผลต่อการจำแนก ข้อสังเกตนี้ได้รับการยืนยันจากการที่มัลติเลเยอร์เพอร์เซ็บตรอนที่มีชั้นซ่อนสองชั้นยังสามารถรักษาระดับความถูกต้องในการจำแนกได้หลังจากที่กำจัดข้อมูลเข้าที่ไม่จำเป็นออกไป This report presents the use of a multilayer perceptron and a decision tree, which is evolved by genetic programming (GP), in thalassaemia classification. The aim is to differentiate between thalassaemic patients, persons with thalassaemia trait and normal subjects by inspecting characteristics of red blood cells, reticulocytes and platelets. The classification results indicate that the performance of the GP-based decision tree is approximately equal to that of the multilayer perceptron with one hidden layer. However, the multilayer perceptron with two hidden layers, which is proven to have the most suitable architecture among networks with different number of hidden layers, outperforms the GP-based decision tree. Nonetheless, the structure of the decision tree reveals that some input features have no effects on the classification performance. The results confirm that the classification accuracy of the multilayer perceptron with two hidden layers can still be maintained after the removal of the redundant input features.