هدایت هیدرولیکی اشباع و نفوذپذیری از ویژگی های پایه ای خاک می باشند که تعیین آن ها برای مدل سازی جریان آب و انتقال املاح در خاک بسیار مهم می باشد. همچنین این ویژگی ها در طراحی و امکان پذیر بودن فنی و اقتصادی پروژه های زهکشی زیرزمینی نقش عمده ای دارند. هر چند روش-هایی برای اندازه گیری مستقیم این ویژگی ها پیشنهاد شده است لیکن اندازه گیری مستقیم این ویژگی ها چه به صورت صحرایی و چه در آزمایشگاه بسیار وقت گیر و پرهزینه است. علاوه بر این به دلیل تغییرات زیاد زمانی – مکانی خاک ها، اندازه گیری های مستقیم نقطه ای نمی تواند نماینده واقعی این ویژگی ها در خاک باشد، مگر آنکه تعداد بسیار زیادی نمونه برداری صورت گیرد. به همین منظور تلاش های زیادی صورت گرفته تا با استفاده از ویژگی های زودیافت خاک بتوان این ویژگی ها را با دقت قابل قبولی برآورد کرد. توابع انتقالی خاک یکی از این روش های غیر مستقیم بوده که قادر است ویژگی های دیریافت خاک را از ویژگی های زودیافت آن برآورد نماید. روش های ایجاد توابع انتقالی، تجزیه و تحلیل رگرسیونی و شبکه های عصبی مصنوعی می باشند. هدف از این پژوهش استخراج توابع انتقالی برای هدایت هیدرولیکی اشباع خاک، سرعت نفوذ نهایی آب به خاک و نفوذ تجمعی آب به خاک می باشد تا بتوان بر مبنای این توابع این ویژگی های دیریافت خاک را از ویژگی های زودیافت درصد توزیع اندازه ذرات، وزن مخصوص ظاهری، تخلخل موثر و درصد رطوبت در نقاط ظرفیت زراعی و پژمردگی دائم برآورد نمود. برای ایجاد توابع انتقالی با استفاده از رگرسیون خطی چندگانه آزمون نرمال بودن و غیر همراستایی داده ها که جزء آزمون های معتبرسازی تجزیه و تحلیل آماری می باشند، از نرم افزار spss و برای شبکه های عصبی مصنوعی از نرم افزار matlab استفاده شد. در این پژوهش از شبکه های عصبی پرسپترون چند لایه و شبکه های تابع پایه شعاعی استفاده شد. نتایج نشان داد که شبکه های عصبی ایجاد شده قادرند هدایت هیدرولیکی اشباع را با دقت بالایی (ضریب تعیین 0.82برای mlp و ضریب تعیین 0.5برای rbf) تخمین بزنند و در مقایسه با مدل رگرسیون خطی شبکه های عصبی عملکرد بهتری داشتند. اما برای سرعت نفوذ نهایی آب به خاک دقت هر دو روش پایین بود به طوریکه بیشترین ضریب تعیین برابر 44/0 برای شبکه های عصبی مصنوعی بوده است. همچنین نتایج بدست آمده برای نفوذ تجمعی آب به خاک دارای ضریب تعیین بالاتری (0.8r2= برای شبکه rbf) نسبت به سرعت نفوذ نهایی آب به خاک بود. در مجموع نتایج حاکی از آن است که برای هر سه پارامتر دیریافت خاک شبکه های عصبی عملکرد بهتری نسبت به معادلات رگرسیونی داشته اند.