بارش یکی از پارامترهای مهم اقلیم شناسی و سایر علوم جوی که از اهمیت والایی در حیات بشر برخوردار است. در سال های اخیر ، سیل و خشکسالی خسارت های فراوانی را در بسیاری از مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلات نقش مهمی بر عهده دارد. با دلیل تأثیر متقابل پارامترهای مختلف هواشناسی در محاسبه بارش، آن را به سوی یک فرایند بسیار نامنظم و آشوبناک سوق داده است. امروزه شبکه های عصبی مصنوعی از جمله روش های نوین می باشد که برای تخمین و پیش بینی پارامترها با استفاده از ارتباط ذاتی بین داده ها توسعه یافته است و همچنین استفاده روزافزون از شبکه های عصبی مصنوعی، به عنوان مدل تجربی و کارآمد در علوم مختلف از جمله اقلیم شناسی و هواشناسی، نشان دهنده ضرورت ارزش بالای مطالعه این مدل هاست. هدف این پژوهش، پیش بینی بارش روزانه با استفاده از آمار روزانه هواشناسی ایستگاه های کرمان، بافت و میانده جیرفت، طی دوره مشترک آماری 23 ساله (2012-1989)، می باشد. در این راستا، شبکه های عصبی مصنوعی پرسپترون(چند لایه)،شبکه تابع پایه شعاعی و شبکه عصبی بازگشتی مورد آزمون قرار گرفتند. ترکیب های مختلف با پارامترهای کمینه دما، بیشینه دما، میانگین دما، رطوبت نسبی ، سرعت و جهت باد و میانگین فشار به عنوان ورودی های شبکه های عصبی مصنوعی و بارش روزانه به عنوان خروجی شبکه در نظر گرفته شد. 80 درصد داده ها برای آموزش و 20 درصد بقیه برای تست به کار گرفته شده است. برای ارزیابی صحت و دقت شبکه های عصبی از دو شاخص میانگین مربعات خطا (mse) و ضریب همبستگی (r) استفاده گردید. تجزیه و تحلیل خروجی و میزان میانگین مربعات خطای شبکه های عصبی توابع پایه شعاعی و برگشتی، نشان داد این مدل ها، از توانایی و دقت بیشتری نسبت به شبکه های عصبی پرسپترون برای پیش بینی بارش برخوردارند. تحلیل نتایج خروجی سه شبکه نشان داده است که با افزایش فاکتورهای موثر ورودی، شبکه دقت بالاتری را در پیش بینی ارائه می دهد .سپس با استفاده از زنجیره مارکوف میزان احتمال بارش های دو روزه نیز مشخص گردید و با توجه به میزان احتمال کسب شده برای هر ایستگاه، احتمال وقوع بارش نیز شبیه سازی شد.