برآورد بار رسوبی یکی از مهمترین مسائلی است که در مدیریت رودخانه ها و مخازن سدها و به طور کلی در پروژه های آبی اهمیت زیادی دارد. تعداد روابط تجربی ارائه شده نشان می دهد که هنوز روش تحلیلی یا تجربی مناسبی برای تخمین صحیح بار رسوبات معلق پیشنهاد نشده است. در مطالعه حاضر به منظور دستیابی به تخمینی نزدیک به واقعیت از میزان حمل رسوبات توسط رودخانه ها، از روش های نوین هوش مصنوعی شامل؛ شبکه عصبی پرسپترون چند لایه (mlp) و سیستم استنتاج فازی- عصبی تطبیقی (anfis) استفاده شده است. در این راستا از آمار دبی متوسط جریان و غلظت متوسط رسوب اندازه گیری شده به صورت روزانه در طول یک دوره طولانی مدت 23 ساله، از سال 1356 تا 1379 در ایستگاه هیدرومتری قرآن تالار واقع بر رودخانه بابل رود استفاده گردید. بدین منظور ترکیبات مختلفی بر اساس کلاسه بندی و تفکیک زمانی دبی ها و استفاده از دبی های با تأخیر زمانی به عنوان پارامترهای ورودی به شبکه تشکیل شد. سپس با آموزش شبکه و تعیین ساختار مطلوب به کمک نرم افزار matlab، مناسب ترین مدل بر اساس رتبه بندی چهار شاخص آماری میانگین مربعات خطا، میانگین انحراف خطا، کارآیی مدل و ضریب تبیین بدست آمد و با نتایج حاصل از روش کلاسیک منحنی سنجه رسوب مورد مقایسه قرار گرفت. نتایج نشان داد که مدل حد وسط دسته ها، به عنوان مناسب ترین مدل ایستگاه قرآن تالار می باشد. همچنین، هر دو روش هوش مصنوعی نسبت به روش منحنی سنجه رسوب، برآورد نسبتاً دقیق تری از میزان رسوبات حمل شده ارائه داده و با مقادیر مشاهداتی تطابق بهتری داشته اند. ضمناً، روش anfis به دلیل این که اساس آن بر پایه قوانین منطقی بیان شده است، از دقت بالاتری نسبت به شبکه عصبی mlp در برآورد بار رسوبات معلق رودخانه ها برخوردار می باشد.