این پژوهش، روش شبکه های عصبی با الگوریتم پس انتشار خطا را برای پیش بینی بلند مدت بارندگی در مقیاس زمانی ماهانه و فصلی در ایران مورد بررسی قرار می دهد. در این راستا به منظور پیش بینی بلند مدت بارش در ماه های اکتبر تا مارس و فصول پاییز و زمستان، از داده های 14 ایستگاه سینوپتیکی کشور و همچنین، دو شاخص اقلیمی بزرگ مقیاس soi و nino3,4در بازه ی زمانی (2010 – 1960) به مدت 51 سال بهره گرفته شد. پروژه در سه بخش، برای پیش بینی بارش ماهانه و فصلی (1) کل کشور (با714 الگو)، (2) اقلیم های خشک (153 الگو)، نیمه خشک (357 الگو) و بیابانی (204 الگو) و (3) بارش محلی تک تک ایستگاه ها (51 الگو) به انجام رسید. در هر بخش، ضرایب همبستگی داده های ایستگاهی شامل، میانگین رطوبت نسبی، میانگین دمای نقطه ی شبنم، بارش ماهانه و سالانه و شاخص های soi و nino3,4، با بارش ماه ها و فصول مورد بررسی محاسبه گردید و پارامترهایی که بیشترین بستگی را داشتند به عنوان ورودی-های شبکه انتخاب شدند. از کل الگوها در هر بخش، 80 درصد به عنوان الگوهای آموزشی و 20 درصد به عنوان الگوهای آزمون در نظرگرفته شدند. به کمک الگوریتم لونبرگ – مارکوارت برای هر بخش مدل های پیش بینی به دست آمد. نتایج حاصل از اعتبارسنجی مدل ها به کمک شاخص های متعددی از جملهrmse ،bias ، میانه و انحراف معیار حاکی از کارایی خوب مدل های شبکه ی عصبی، برای پیش بینی بارش ماهانه و فصلی به خصوص، ماه اکتبر و فصل پاییز است. همچنین، ضرایب همبستگی پارامترها در هر بخش نشان می دهند که شاخص های بزرگ مقیاس اقلیمیsoi وnino3,4 ، به عنوان تأثیر گذارترین پارامترها بر بارش ماه های اکتبر و نوامبر و فصل پاییز محسوب می شوند.