چکیده آب های زیرزمینی یکی از بزرگترین ذخایر آب در کره زمین می باشند که با بهره برداری اصولی و شناخت صحیح می تواند نقش بسزایی در فعالیت های اجتماعی و اقتصادی یک منطقه داشته باشد. پیش بینی نوسانات سطح آب زیرزمینی امری دشوار بوده و تا به حال مدل های زیادی برای پیش بینی آن پیشنهاد شده است. شبیه سازی سیستم آب های زیرزمینی به دلیل پیچیدگی های موجود در طبیعت این سیستم ها، به آسانی میسر نیست. این در حالی است که شبکه های عصبی مصنوعی به عنوان مدل جعبه سیاه با توانایی های بالایی که دارند برای مدل سازی سیستم های پیچیده و غیر خطی بسیار مناسب می باشند. در این تحقیق جهت پیش بینی نوسانات سطح آب زیرزمینی دشت سیدان - فاروق در ماه های مختلف ازروش شبکه عصبی مصنوعی استفاده شده است. پارامترهای بارندگی، درجه حرارت، تبخیر و تعرق، دبی و نوسانات سطح آب زیرزمینی مربوط به ماه حاضر و دو ماه قبل (طی یک دوره آماری 15 ساله) به عنوان ورودی و نوسانات سطح آب زیرزمینی به عنوان خروجی (طی یک دوره آماری 15 ساله) در نظر گرفته شده است. بدین منظور از اطلاعات 12 حلقه چاه مشاهده ای که در محدوده دشت قرار گرفته اند، استفاده شده و برای حاصل شدن نتایج بهتر اطلاعات 6 حلقه چاه مشاهده ای به عنوان ورودی و اطلاعات 6 حلقه دیگر به عنوان خروجی در نظر گرفته شده است. جهت دست یابی به بهترین آرایش شبکه عصبی نرم افزار qnet2000 بکار رفته است. داده ها به دو دسته آموزشی و صحت سنجی تقسیم بندی که 80 درصد آنها برای آموزش (مهر ماه سال 76- 75 تا شهریور ماه سال 87- 86) و 20درصد برای صحت سنجی (مهر ماه سال 88- 87 تا شهریور ماه سال 90- 89 ) اختصاص یافته است. در این تحقیق ورودی ها در 12ساختار دسته بندی شده و هم چنین تعداد گره های لایه مخفی از بین تعداد گره های 2، 4، 6، 8 و 10پس از محاسبات انجام شده با تکرارهای متفاوت (8000،6000،4000،2000 و10000) مشخص تا بر اساس ضریب همبستگی و ریشه میانگین مربعات خطا بهترین ساختار پیش بینی نوسانات سطح آب زیرزمینی در دشت مذکور انتخاب گردد. بر اساس نتایج بدست آمده مناسب ترین توپولوژی جهت پیش بینی نوسانات سطح آب زیرزمینی، در چاه های مشاهده ای شماره 7، 8 و 10 تعداد 8 گره در لایه مخفی و در تکرار 8000، درچاه مشاهده ای شماره 9 تعداد 10 گره در لایه مخفی و در تکرار 10000، درچاه های مشاهده ای شماره 11 تعداد 6 گره در لایه مخفی و در تکرار6000 و درچاه مشاهده ای شماره 12 تعداد 2 گره در لایه مخفی و در تکرار 2000 مشخص شد. هم چنین یافته ها نشان داد زمانی که پارامترهای ورودی بارندگی، تبخیر و تعرق، درجه حرارت، دبی و نوسانات سطح آب زیرزمینی با هم در یک ساختار در نظر گرفته شدند نتایج بهتری را نسبت به ساختارهایی که پارامترهای ورودی به صورت مجزا در نظر گرفته شدند ارائه داده اند. واژگان کلیدی: نوسانات سطح آب زیرزمینی، شبکه عصبی مصنوعی، نرم افزارqnet2000، ساختار ورودی، دشت سیدان- فاروق.