تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در این تحقیق پتانسیل سیستم استنتاج تطبیقی عصبی- فازی (anfis) و شبکه عصبی مصنوعی (ann) در برآورد تبخیر و تعرق مرجع (eto) روزانه مورد بررسی قرار گرفت. از داده های روزانه سال های 1389و1390 مربوط به ایستگاه هواشناسی سنندج استفاده شد. داده های مورد استفاده در این تحقیق، شامل دمای ماکزیمم، دمای مینیمم، رطوبت نسبی حداکثر، رطوبت نسبی حداقل، سرعت باد و ساعت آفتابی بوده و تبخیر و تعرق محاسبه شده به روش فائو پنمن مانتیث به عنوان خروجی استفاده شد. همچنین برآوردهای eto از روش های (anfis) و (ann) با مدل های تجربی ماکینک، پریستلی تیلور، فائو بلانی کریدل، هارگریوز سامانی و ریچی مقایسه شد. برای مقایسه کارائی روش-های مختلف از آماره های ریشه میانگین مجذور خطا(rmse)، ضریب کارائی (ce) و ضریب همبستگی (r)، میانگین قدر مطلق خطا (mae) استفاده گردید. نتایج نشان داد که روش های مبتنی بر شبکه های عصبی و سیستم استنتاج عصبی- فازی می توانند مقدار تبخیر و تعرق مرجع روزانه را با دقت بالایی برآورد نمایند. نتایج آنالیز حساسیت نشان داد که دمای ماکزیمم (tmax) به عنوان موثرترین پارامتر در برآورد تبخیر و تعرق مرجع می باشد. نتایج همچنین نشان داد که ترکیب منطق فازی با شبکه عصبی مصنوعی سبب بهبود نتایج شبکه عصبی مصنوعی نمی گردد و نتایج شبکه عصبی مصنوعی در برآورد تبخیر و تعرق با اختلاف ناچیز بهتر از روش عصبی-فازی بود. همچنین در کلیه ساختارهای مدل هوشمند عصبی، قانون آموزش لونبرگ -مارکوارت با تابع تانژانت منجر به نتایج دقیق تری نسبت به سایر توابع و قوانین آموزشی شد.