بارش یکی از عوامل مهم چرخه هیدرولوژی است که در مطالعات منابع آب، اقلیم شناسی و هیدرولوژی نقش بسزائی دارد، زیرا بارش تنها عامل ورودی چرخه هیدرولوژی است و در مطالعات هیدرولوژی به صورت یک سیستم، نیاز به مطالعه و بررسی آن می باشد. تخمین دقیق میزان بارش بر روی یک نقطه یا منطقه از اهمیت ویژه ای برخوردار است. اخیرا علاقه فزاینده ای در توسعه تئوری سیستم های هوشمند، که مبتنی بر داده های تجربی است، ایجاد شده است. شبکه های عصبی مصنوعی جزء این دسته از سیستم های دینامیکی قرار دارند، که با پردازش داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. هدف از انجام این پژوهش پیش بینی کل بارش سالانه (میلی متر) در منطقه غرب، جنوب غربی و جنوب ایران شامل استان های آذربایجان غربی، همدان، کرمانشاه، ایلام، کردستان، لرستان، کهکیلویه و بویراحمد، چهارمحال و بختیاری، خوزستان و فارس بر اساس میانگین دراز مدت بارش در هر ایستگاه (میلی متر)، زمان وقوع 47/5 میلی متر بارش از ابتدای پائیز (روز) و سایر پارامترهای موثر از قبیل موقعیت مکانی و ارتفاع هر ایستگاه با استفاده از سیستم شبکه عصبی مصنوعی می باشد. در این پژوهش از مدل شبکه های عصبی مصنوعی انتشار برگشتی پیشخور به منظور تخمین هوشمند مقدار بارش سالانه استان های غربی، جنوب غربی و جنوبی کشور (شامل 10 استان) استفاده گردیده است. بدین جهت آمار بارش روزانه و اطلاعات جغرافیائی 470 ایستگاه واقع در این محدوده که حداقل دارای 10 سال آمار بارش و اطلاعات کامل جغرافیائی بود، جهت تجزیه و تحلیل استفاده گردید. با توجه به اینکه بارش های مربوط به این 10 استان بیشتر از نوع مدیترانه ای هستند، یک شبکه بهینه جهت پیش بینی میزان بارش سالانه برای کل این منطقه با ورودی های مختلف جهت تعیین موثرترین ورودی ها آموزش داده شد. در حالت شبکه عصبی با 5 ورودی، ورودی ها شامل طول و عرض جغرافیائی، ارتفاع از سطح آزاد دریا، و متوسط طولانی مدت بارش سالانه در هر ایستگاه، در حالت شبکه عصبی با 3 ورودی، ورودی ها شامل ارتفاع از سطح آزاد دریا، و متوسط طولانی مدت بارش سالانه در هر ایستگاه و در حالت شبکه عصبی با 2 ورودی، ورودی ها شامل و متوسط طولانی مدت بارش سالانه در هر ایستگاه بود. مقایسه نتایج نشان داد ورودی های مناسب جهت پیش بینی میزان بارش سالانه برای کل منطقه دو پارامتر و متوسط طولانی مدت بارش در هر ایستگاه می باشد. جهت پیش بینی دقیق تر میزان بارش سالانه، بر اساس پهنه بندی بارش، منطقه مورد تحقیق به سه ناحیه تقسیم شد و با استفاده از دو پارامتر ورودی و متوسط طولانی مدت بارش سالانه در هر ایستگاه برای هرناحیه آموزش شبکه عصبی دنبال شد. ناحیه اول شامل استان آدربایجان غربی، ناحیه دوم شامل استان فارس و خوزستان و ناحیه سوم شامل استان های همدان، کرمانشاه، کردستان، لرستان، ایلام، کهکیلویه و بویراحمد و چهارمحال و بختیاری می باشد. در نهایت نتایج مربوط به دو روش انجام شده در این تحقیق نشان داد تقسیم بندی کردن منطقه به نواحی کوچکتر تاثیر چندانی در بهبود عملکرد و افزایش دقت پیش بینی نداشته و یک شبکه بهینه با ساختار 1-10-6-6-2 و الگوریتم آموزش لونبرگ-مارکوآرت و تابع محرک لوگ سیگموئید جهت پیش بینی بارش سالانه برای کل منطقه غرب، جنوب غربی و جنوب ایران معرفی گردید.