به دست آوردن ارتباط بین بارش و رواناب یکی از مهمترین مسائل برای مهندسین و هیدرولوژیست ها است. جهت تصمیم گیری های هیدرولوژیکی و مدیریت منابع آب یک حوزه، دانستن رابطه بارش – رواناب لازم و ضروری می باشد. این روابط غیر خطی و بسیار پیچیده می باشند. اگرچه رواناب وابستگی زیادی به میزان بارش دارد اما به فاکتور های متعددی همچون مشخصات حوضه آبخیز، تبخیر، دمای بیشینه ، دمای کمینه، مدت بارش نیز بستگی دارد. با اینکه که بسیاری از حوضه ها برای گردآوری سابقه پیوسته ای از رواناب بررسی شده اند ولی اغلب مهندسین با شرایطی روبه رو می شوند که اطلاعات بسیار کم است یا بعضا هیچ داده ای دردسترس نیست. در سال های اخیر شبکه عصبی مصنوعی (ann) جهت شبیه سازی فرآیند های گوناگون مورد استفاده قرار گرفته است. این شبکه ها ابزار قدرتمندی برای حل مسائل غیر خطی و پیچیده می باشند. در این تحقیق به منظور مدل سازی رواناب ناشی از بارندگی و با استفاده از شبکه های پرسپترون چند لایه، شش شبکه عصبی mlp مجزا با ورودی های مختلف استفاده شده است. به این منظور 6 دسته داده با 4، 5، 6، 7، 8 و 14پارامتر به عنوان نرون های ورودی به شبکه اعمال شدند و از این طریق، تأثیر عوامل مختلف بر روی دبی محاسباتی توسط شبکه بررسی گشته است. همچنین کلیه شبکه ها با توابع محرک سیگموئیدی و تانژانت هیپربولیک آزمایش شده و در نهایت نتایج حاصل از کلی? حالات با استفاده از معیارهای سنجش خطا و نکوئی برازش مقایسه گشته اند که در پیش بینی سیلاب های بیشینه، مدل با 8 نرون ورودی و تابع محرک تانژانت هیپربولیک، و در پیش بینی سیلاب های متوسط، مدل با 14 نرون ورودی و تابع محرک تانژانت هیپربولیک بهترین عملکرد را ارائه نمودند. در برازش کلی ، دو مدل شبک? عصبی mlp با چهارده نرون ورودی و پانزده نرون در لای? پنهان و با توابع محرک تانژانت هیپربولیک و سیگموئیدی به ترتیب با میانگین خطای نسبی 5895/5 و 1350/8 درصد بهترین نتایج را ارائه نمودند.