سری زمانی بارش غالباً یکی از ورودی¬های لازم برای تجزیه و تحلیل و طراحی سیستم¬های هیدرولیکی و هیدرولوژیکی می باشد . اطلاعات بارش به منظور کاربرد در این اهداف می¬تواند به صورت اندازه¬گیری مشاهدات بدست آید و یا اینکه به وسیله شبیه¬سازی اتفاقی تولید شود. یک مشکل عمده در مورد داده¬های بارندگی ثبت شده و یا تولیدی این است که این داده¬ها در بازه¬های زمانی به اندازۀ کافی کوچک برای کاربردهای مهندسی موجود نمی¬باشند. برای حل این مشکل می¬توان مقادیر بارندگی را به بازه¬های زمانی کوچکتر تجزیه نمود. در این تحقیق دو نوع شبکۀ عصبی مصنوعی (شبکۀ پرسپترون چند لایه، شبکۀ تابع پایه شعاعی) معرفی شده و از آنها برای تجزیۀ زمانی بارندگی ساعتی به زیر بازه¬های پانزده دقیقه¬ای استفاده شده است. در ادامه عوامل تأثیرگذار بر عملکرد شبکۀ عصبی در امر تجزیۀ زمانی بارندگی مورد بررسی قرار گرفته است، که از این موارد می¬توان به اثر نرمال¬سازی داده¬ها، تعداد نرون¬های لایۀ میانی، تعداد تکرارهای آموزشی و... اشاره کرد. همچنین عملکرد مدل¬های مختلف شبکۀ عصبی در تجزیۀ زمانی بارندگی ساعتی با روش تجزیۀ زمانی اورمسبی نیز مقایسه شده است. در نهایت نتایج هر دو نوع شبکۀ عصبی نشان داد که استفاده از شبکه¬های عصبی از لحاظ برآورد کلی هیدروگراف بارندگی با دیگر روش¬ها قابل مقایسه می¬باشد. همچنین این روش در تعیین مقدار حداکثر بارش پانزده دقیقه¬ای بسیار بهتر از روش¬های دیگر عمل می¬کند. بر پایۀ این نتایج استفاده از شبکه¬های عصبی به عنوان روشی مناسب برای تجزیۀ زمانی بارندگی ساعتی به بارش¬های پانزده دقیقه-ای پیشنهاد می¬شود.