مدل سازی منابع آب زیرزمینی به عنوان ابزاری در مدیریت منابع آب محسوب می شود. اندرکنش منابع آب سطحی و زیرزمینی همواره در بیلان منابع آب از اهمیت ویژه ای برخوردار بوده است. از طرف دیگر شبکه های عصبی مصنوعی ابزار قدرتمندی برای مدل سازی پارامترهای هیدرولوژیکی و آب زیرزمینی با در نظر گرفتن کلیه پارامتر های تأثیرگذار را در اختیار قرار می دهد. در این تحقیق ابتدا با استفاده از روش های تحلیل همبستگی در حوزه زمان و فرکانس، آبخوان مورد مطالعه بر اساس تأثیر پارامتر های موثر بر تغییرات سطح آب زیرزمینی تقسیم بندی شده و تأخیر زمانی تغییرات سطح آب زیرزمینی نسبت به هرکدام از پارامترها محاسبه و به همراه سطح متوسط آب زیرزمینی در همان منطقه و مناطق مجاور به عنوان ورودی شبکه عصبی مصنوعی در نظر گرفته شده است. خروجی مدل ها سطح آب در کلیه پیزومترهای منطقه بصورت مجزا می باشد. مدل های شبکه عصبی مصنوعی با استفاده از دو روش لورنبرگ – مارکوات و تنظیم بایزن آموزش داده شده و با استفاده از معیار میانگین مربعات خطا (mse) مورد ارزیابی قرار گرفتند. پس از پایان مراحل مربوط به مدل سازی زمانی، به منظور بررسی مکانی تغییرات سطح آب زیرزمینی در این محدوده مطالعاتی روش های مختلف میانیابی با استفاده از روش صحت سنجی جانبی بررسی و مقایسه شده اند. نتایج نشان دهنده توانایی بالای شبکه های عصبی مصنوعی پیشخور با الگوریتم آموزش لورنبرگ-مارکوات در مدل سازی زمانی با پارامتر خطای mseمتوسط برابر با 87/0 مترمربع و روش کریجیگ معمولی در تخمین مکانی تغییرات سطح آب زیرزمینی با پارامتر خطای rmse برابر با62 /11 متر در محدوده مورد مطالعه می باشد.