حوضه فلات مرکزی، یکی از مناطق خشک کشور ایران محسوب می شود. این حوضه، با کمبود شدید منابع آب مواجه است. بنابراین ضروری است تا با برنامه ریزی صحیح و مدیریت کارآمد منابع آب، از بروز خشکسالی جدی ناشی از کمبود آب در این حوضه جلوگیری شود. یکی از موارد مهم جهت مدیریت بهینه منابع آب، پیش بینی خشکسالی در سطح منطقه ای است. لذا در این پژوهش به منظور پیش بینی بارندگی و شاخص خشکسالی هواشناسی spi، از مدل های سری زمانی، شبکه عصبی مصنوعی چندگامی مستقیم (dmsnn) با پارامترهای ورودی باران یا spi (ساختار اول) و شبکه عصبی مصنوعی چندگامی مستقیم (dmsnn) با پارامترهای ورودی باران یا spi و سیگنال های اقلیمی (ساختار دوم) استفاده گردید. سپس مقادیر باران و spi در دوره آماری 2003-1981 برای توسعه مدل ها و در دوره آماری 2010-2004، به منظور پیش بینی یک تا 6 گام به جلو در مقیاس ماهانه و دو گام به جلو در مقیاس فصلی مورد استفاده قرار گرفت. همچنین مقادیر مشاهده ای و پیش بینی شده بارندگی و spi با استفاده از آزمون های z و f مورد مقایسه قرار گرفتند و به منظور بررسی کارایی مدل، معیارهای r، rmse و mae استفاده شدند. در نهایت نتایج نشان داد که شبکه عصبی dmsnn در ساختار اول برای پیش بینی در مناطق غربی حوضه که بارندگی بیشتر و خشکسالی کمتر دارند، مناسب هستند و مدل آریما برای پیش بینی در سه ماه اول در مناطق دیگر حوضه که بارندگی کم و خشکسالی بیشتر دارند، مناسب هستند. همچنین نتایج شبکه عصبی dmsnn در ساختار دوم نشان داد که این شبکه در مقیاس ماهانه و فصلی، تأثیر چشم گیری در بهبود مدل نسبت به ساختار اول ندارد که این موضوع، بیان-کننده این است که شاخص های پیوند از دور، تأثیر قابل ملاحظه ای بر روی این حوضه نداشته است.