در این مقاله روش کمینه‌سازی توابع هدف با کمک شبکه‌های عصبی موجک چند لایه، جهت مدل‌سازی توموگرافی یونوسفر به عنوان یک روش جدید ارائه شده است. براساس روش توموگرافی، تابع هدفی تعریف گردیده و سپس با کمک شبکه‌های عصبی موجک چند لایه (WNN) طراحی شده، مقدار این تابع هدف به کمترین میزان خود می‌رسد. جهت بهینه‌سازی وزن‌ها و بایاس‌ها در شبکه‌های عصبی، می‌بایستی از یک الگوریتم آموزش مناسب بهره گرفت. به همین جهت در این مقاله از الگوریتم‌های آموزش پس انتشار خطا (BP) و بهینه‌سازی انبوه ذرات (PSO) استفاده شده است. سه روش ترکیبی برای کمینه‌سازی توابع هدف که جزو نوآوری‌های اصلی این مقاله است مورد بررسی و آنالیز قرار گرفته است. در روش اول (RMTNN) از شبکه عصبی مصنوعی پرسپترون 3 لایه با الگوریتم آموزش پس انتشار جهت مدل‌سازی توزیع چگالی الکترونی استفاده شده است. در روش دوم (MRMTNN) یک شبکه عصبی موجک 3 لایه بهمراه الگوریتم آموزش پس انتشار خطا جهت مدل‌سازی توزیع چگالی الکترونی بکار گرفته شده و نهایتاً در ترکیب سوم (ITNN) از شبکه عصبی موجک 3 لایه بهمراه الگوریتم آموزش بهینه‌سازی انبوه ذرات جهت مدل‌سازی تغییرات زمان-مکان چگالی الکترونی بهره گرفته شده است. مشاهدات مربوط به شبکه مبنای ژئودینامیک دائمی ایران (32 ایستگاه GPS به همراه یک ایستگاه اندازه‌گیری مستقیم یونوسفر) جهت آزمون و ارزیابی هر سه ترکیب مورد استفاده قرار گرفته‌اند. تمامی نتایج بدست آمده از سه روش با اندازه‌گیری‌های ایستگاه‌ یونوسوند و مدل هارمونیک‍‌های کلاه کروی (SCH) مقایسه شده است. همچنین شاخص‌های آماری خطای نسبی و مطلق، جذر خطای مربعی میانگین (RMSE)، بایاس، انحراف معیار و ضریب همبستگی برای هر سه روش پیشنهادی این مقاله مورد محاسبه و بررسی قرار گرفته است. آنالیزهای انجام گرفته در مورد روش‌های RMTNN، MRMTNN و ITNN بیانگر این موضوع است که روش ITNN نسبت به دو روش دیگر دارای سرعت همگرایی بالا به جواب بهینه و همچنین دقت و صحت بالاست. مقایسه‌های صورت گرفته نشان‌دهنده بهبود مدل‌سازی محتوای الکترون کلی توسط روش ITNN به مقدار 5/0 الی 65/5 TECU در منطقه ایران نسبت به مدل‌های تجربی یونوسفر می‌باشد. همچنین متوسط ضریب همبستگی 901/0 مابین خروجی‌های روش ITNN و اندازه‎گیری‌های ایستگاه‌های یونوسوند، حاکی از کارائی بالای روش پیشنهادی این مقاله در مدل‌سازی تغییرات زمان-مکان چگالی الکترونی است.