در سال های اخیر، سطح ایستابی آبخوان کاشان به دلیل خشکسالی های اخیر و برداشت بیش از حد مجاز آب زیرزمینی، در حال کاهش است. مجاورت آبخوان با جبهه ی آب شور دریاچه ی نمک نیز، باعث ایجاد شیب هیدرولیکی و در نتیجه پیشروی آب شور به داخل آبخوان شده است. در این پژوهش با توجه به وضعیت موجود، شبیه سازی کمی و کیفی آب زیرزمینی دشت کاشان با استفاده از شبکه ی عصبی مصنوعی انجام شد. به منظور شبیه سازی کمی آبخوان، از مدل های شبکه ی عصبی mlp و rbf و مدل رگرسیونی استفاده شد. البته، ابتدا با توجه به تعداد زیاد چاه های مورد مطالعه، نمونه ها با استفاده از تحلیل خوشه ای در 5 خوشه قرار گرفتند و در هر خوشه، 48 معماری در مدل های شبکه ی عصبی mlp و rbf مورد بررسی قرار گرفتند. در نهایت نتایج نشان داد که در همه ی خوشه های مورد بررسی، شبکه ی عصبی mlp نسبت به شبکه ی عصبی rbf و مدل رگرسیونی در پیش بینی عمق آب در 38 ماه آینده کارایی بهتری داشته است. به طوری که ضریب تبیین اصلاح شده در خوشه های 1، 2، 3، 4 و 5 به ترتیب برای مدل های انتخابی برابر 0/86، 0/88، 0/93، 0/55 و 0/79 به دست آمد و از میان الگوریتم های مورد استفاده، الگوریتم دلتا- بار- دلتا و لونبرگ- مارکاردت نسبت به الگوریتم های دیگر مناسب تر بوده است. همچنین از میان توابع مورد استفاده، تابع تانژانت هایپربولیک مناسب-تر بود. با توجه به نتایج به دست آمده از آنالیز کیفی آب منطقه نیز، آنیون کلر به عنوان شاخص شوری در نظر گرفته شد. نتایج حاصل از شبیه سازی کیفی آب زیرزمینی نشان داد که مدل شبکه ی عصبی mlp نسبت به دو مدل دیگر دارای نتیجه ی بهتری در پیش بینی غلظت کلر در 11 سال آینده داشته است. به طوری که ضریب تبیین اصلاح شده ی حاصله برابر 0/97 بود. همچنین تابع فعال کننده ی تانژانت هایپربولیک خطی و الگوریتم مومنتوم، نتایج بهتری را نسبت به توابع و الگوریتم های دیگر نشان دادند. بنابراین در شبیه سازی کمی و کیفی آب زیرزمینی، مدل شبکه ی عصبی mlp کارایی بهتری نسبت به مدل شبکه ی عصبی rbf و مدل رگرسیونی داشته است.