زعفران یکی از مهم ترین محصولات کشاورزی ایران به ویژه در استان های خراسان رضوی و جنوبی می باشد. توسعه سیستم پایدار تولید و افزایش میانگین عملکرد زعفران از اولویت های بخش کشاورزی ایران می باشد. پیش بینی عملکرد محصولات با استفاده از داده های موجود، تاثیرات مهمی در مسایل اجتماعی- اقتصادی و تصمیم گیریهای سیاسی در مقیاس منطقه ای دارد. اخیرا کاربرد شبکه های عصبی مصنوعی به عنوان ابزاری قوی که قادر به محاسبه معادلات پیچیده و تحلیل عددی با مناسب ترین تقریب می باشد در کشاورزی مرسوم شده است. این پژوهش به منظور سنجش توانایی تکنولوژی شبکه عصبی مصنوعی ((ann و سیستم استنتاج فازی (anfis) و روش رگرسیونی برای پیش بینی عملکرد زعفران (corcus sativus) براساس اطلاعات روزانه هواشناسی و داده های سالانه کشاورزی انجام گردید.که داده های هواشناسی مورد استفاده شامل داده های 20 ساله 9 ایستگاه سینوپتیک استان و شامل تبخیر- تعرق، دما(حداکثر، حداقل)، میانگین رطوبت نسبی و بارندگی بود. به این منظور ابتدا با بهره گیری از نرم افزار wingamma داده ها و پارامترهای موجود مورد تجزیه و تحلیل قرار گرفت و بهترین ترکیب های ورودی به مدل تعیین گردید. سپس کارایی مدل چند لایه پرسپترن (mlp) شبکه عصبی و سیستم فازی و رگرسیونی برای پیش بینی عملکرد محصول مورد ارزیابی قرار گرفت که در مدل mlpشبکه عصبی و رگرسیونی وقتی از داده های، حداکثر دما، بارندگی، تبخیر و تعرق و رطوبت نسبی فصل پاییز و عملکرد سال قبل، به عنوان متغیرهای مستقل در پیش بینی عملکرد محصول استفاده شد، (r2=0.8832 وrmse = 0.689 kg.ha-1 وmae= 560 kg.ha-1) بیشترین کارایی بدست آمد. اما سیستم استنتاج فازی کارایی قابل قبولی در پیش بینی عملکرد نداشت و به طور کلی شبکه عصبی مصنوعی نسبت به دو روش دیگر دقت بالاتری دارا بوده است.