از اساسی ترین موارد در مدیریت کیفی منابع آب زیرزمینی تخمین کیفی آب با استفاده از داده های برداشت شده از شبکه چاه های مشاهده ای می باشد. با توجه به برداشت سطح آب زیرزمینی در دشت ها به صورت نقطه ای در محل چاه های مشاهده ای، ضرورت دارد برای محاسبه مقدار متوسط مقادیر کیفی آب زیرزمینی در دشت و تخمین مقادیر کیفی آب، اطلاعات حاصل از برداشت نقطه ای به سطح تعمیم داده شود. کاربرد مدل های زمین آماری همواره با خطا همراه بوده است چرا که در اکثر موارد تابع برازش داده شده شامل کلیه نقاط تجربی محاسبه شده نمی باشد. هدف از انجام این تحقیق بررسی کاربرد روش ترکیبی زمین آمار و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک در میان یابی مقادیر کیفی آب زیرزمینی می باشد. در این تحقیق، ابتدا برای تخمین مقادیر کیفی آب زیرزمینی دشت بیرجند واقع در استان خراسان جنوبی دارای شرایط ژئوهیدرولوژی خاص، استفاده از مدل کریجینگ انتخاب شد. در ادامه با انتخاب مدل نیم تغییرنمای مناسب نقشه های حاصل از مدل کریجینگ ترسیم شدند. سپس طی یک شبکه بندی منظم در محدوده دشت، داده های کیفی آب زیرزمینی تخمین زده شده توسط روش کریجینگ، بصورت فایلی متنی استخراج شده و در ترکیب با روش شبکه عصبی مصنوعی بکار گرفته شد. ترکیب روش زمین آماری انتخاب شده با شبکه های عصبی مصنوعی برای تخمین مقادیر نیترات، نیتریت، سدیم، کلسیم و منیزیم آب های زیرزمینی دشت بیرجند، نشان داد که این الگوریتم ترکیبی عملکردی بهتر داشته و باعث بهبود تخمین نقطه ای مقادیر کیفی آب زیرزمینی شد. همچنین دارای معیارهای ارزیابی مناسب تری نسبت به کاربرد روش های زمین آماری به تنهایی می باشد. نتایج نشان داد که در تخمین مقادیر نیترات، سدیم، منیزیم و کلسیم آب زیرزمینی دشت بیرجند، شبکه عصبی mlp با الگوریتم آموزش لونبرگ مارکوات با ضریب تبیین به ترتیب 96/0، 997/0، 93/0 و 98/0 و برای مقادیر نیتریت شبکه عصبی gff با الگوریتم آموزش لونبرگ مارکوات با ضریب تبیین 905/0 دارای معیارهای ارزیابی مناسب تری برای ترکیب با روش زمین آماری می باشند. در انتها بهینه سازی نتایج شبکه های عصبی مصنوعی در ترکیب با روش زمین آماری با استفاده از الگوریتم ژنتیک در تخمین مقادیر عناصر کیفی آب زیر زمینی مورد مطالعه در این تحقیق، موثر بود و باعث کاهش خطا در فرآیند تخمین شد.