به¬جرآت می¬توان گفت بارش¬های جوی مهمترین منبع تامین آب شیرین و رواناب های حاصل از این بارش¬ها اصلی¬ترین شکل دریافت آب، در بیشتر مناطق دنیا می¬باشند. لذا برآورد حجم رواناب حاصل از بارندگی جهت بکارگیری روشهای جمع آوری و مهار آبهای سطحی از نظر تأمین آب، روز به روز اهمیت بیشتری پیدا می کند. در دهه¬های اخیر نیاز به پیش¬بینی دقیق و سریع رواناب از روی آمار بارندگی به علت افزایش تعداد سیلاب ها و خسارات ناشی از آنها و نیاز به ایجاد سیستم هشدار سیل افزایش یافته است. علاوه بر آن نیاز به طراحی و ساخت سازه¬های آبی و لزوم مدیریت خشکسالی¬ها و جلوگیری از خسارات آنها مواردی است که به عنوان واقعیت¬های ضروری مطرح است. بنابراین توسعه و اجرای روش¬های مناسب برای پیش¬بینی رواناب از روی داده¬های بارش بسیار ضروری به نظر می¬رسد. روشهای متعددی به این منظور توسعه یافته¬اند که از این میان، می¬توان به مدلهای هیدرولوژیکی، روابط رگرسیونی و توابع انتقال اشاره کرد. اما در دهه¬های اخیر مطالعات بیشتر به سوی روش¬هایی متمایل شده¬اند که بتوانند شرایط طبیعی را تا حدودی درک کنند و نتایج حاصل از آنها از دقت و صحت مناسب برخوردار باشد. یکی از روش¬هایی که در چند دهه اخیر در بسیاری از رشته¬ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای هوش مصنوعی نظیر منطق فازی و شبکه¬های عصبی مصنوعی می¬باشد. در این تحقیق سعی گردیده کارآیی این روشها به-منظور برآورد بارش- رواناب در حوضه سد زاینده¬رود مورد ارزیابی قرار گیرد. لازم به ذکر ابتدا با استفاده از نرم¬افزار wingamma داده¬ها و پارامترهای موجود مورد بررسی و تجزیه و تحلیل قرار گرفتند. سپس با استفاده از آمار روزانه بارش-رواناب، به بررسی کارآیی شبکه عصبی مصنوعی و سیستم عصبی-فازی در تخمین رواناب حاصل از بارش پرداخته شد و در ادامه میزان دقت و صحت این دو روش با بهره¬گیری از روش های آماری، مقایسه شد. نتایج حاصل از این مطالعه نشان می¬دهد که شبکه عصبی مصنوعی و سیستم فازی-عصبی در شرایط مختلف نتایج متفاوتی از خود نشان می¬دهند ولی در کل این دو روش به میزان قابل قبولی قادر به تخمین رواناب حاصل از بارش (با وارد سازی پارامترهای ورودی مناسب و استفاده از ساختارهای مناسب شبکه عصبی مصنوعی و شبکه عصبی- فازی) هستند.