دما یکی از مهم ترین پارامترها ی اقلیمی است که نقش مهمی در حیات بشر دارد. با توجه به تغییرات اقلیمی و خشکسالی های اخیر پیش بینی دماهای حداکثر از اهمیت زیادی برخوردار است. همچنین در حوزه های مختلف مدیریت منابع آبی و طبیعی، خشکسالی ها، ذوب برف و سیلاب، تبخیر و تعرق، گسترش آفات و بیماری ها اهمیت ویژه ای دارد. با توجه به توانایی شبکه های عصبی مصنوعی در شبیه سازی فرایندهای بسیار پیچیده، از آن ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می شود. هدف این پژوهش پیش بینی دمای حداکثر روزانه سه ایستگاه کرمان، بم و بافت می باشد. بدین منظور پارامترهای اقلیمی روزانه میانگین رطوبت نسبی، میانگین فشار ایستگاه، بیشترین فشار، کمترین فشار، دمای حداقل، دمای حداقل خاک، میانگین دما، تبخیر، میانگین دمای تر، بیشترین رطوبت، کمترین رطوبت، رطوبت ساعت 3 به عنوان ورودی شبکه های عصبی و دمای حداکثر روزانه به عنوان خروجی شبکه مورد استفاده قرار گرفت. پارامترهای مذکور دوره آماری24ساله (2013-1989) را در بر می گیرد. 70 درصد داده ها برای آموزش شبکه و30 درصد برای تست شبکه به کار برده شدند. برای بررسی شاخص های عملکرد شبکه از میانگین مربعات خطا و همبستگی استفاده شد. شبکه پرسپترون چند لایه با توجه به میزان خطا و همبستگی بین داده ها از دقت بیشتری برخوردار است. نتایج خروجی شبکه عصبی پرسپترون چند لایه نشان داد که این شبکه برای ایستگاه های بم و کرمان بهترین خروجی با خطای کم را نشان می دهد. اما برای ایستگاه بافت نتایج هر دو شبکه عصبی تابع بازگشتی و پرسپترون چند لایه نزدیک به هم می باشند، اما نتایج شبکه خطای کم و همبستگی بیشتری نسبت به خروجی مورد نظر (دمای حداکثر روزانه) را نشان می دهد. همچنین از بین پارامترهای اقلیمی استفاده شده دمای حداقل و میانگین دمای تر نسبت به دیگر پارامترهای اقلیمی ورودی شبکه عصبی پیش بینی دمای حداکثر روزانه را با خطای کم و همبستگی بیشتری نشان می دهند.