بارش به عنوان مهمترین پدیده های اقلیمی،همیشه برای انسان دارای اهمیت فراوان بوده است . این اهمیت باعث شده که بشر به فکر پیش بینی بارش باشد تا بتواند بر اساس آن برنامه ریزیهای خود را به بهترین وجه به انجام برساند. استفاده از شبکه های عصبی مصنوعی یکی از روش های پیش بینی می باشد که در سال های اخیر توسعه زیادی پیدا کرده است. در این تحقیق برای پیش بینی بارش سال بعد در دو ایستگاه سینوپتیک کرمانشاه و نوژه همدان از آمار برخی عناصر اقلیمی فصل سرد سال قبل استفاده شده است . به این منظور هفت عنصر اقلیمی بعنوان ورودی به شبکه های طراحی شده درنظر گرفته شدکه شامل : میانگین دما،بارش ، رطوبت نسبی، نسبت مخلوط ، فشار بخار ، دمای نقطه شبنم و فشار تبدیل شده به سطح دریا است . خروجی شبکه ها بارش سال بعد در نظر گرفته شد. با توجه به ماهیت غیر خطی عناصر اقلیمی در نظر گرفته شده در این تحقیق ، از شبکه های mlp استفاده شد که از انواع شبکه های پیشرو با الگوریتم های آموزشی نظارتی است و مناسب داده ها غیر خطی می باشند. برای آموزش شبکه ها دو رده الگوریتم آموزشیدیگر نیز بکار گرفته شد که شامل الگوریتم های آموزشی bp و الگوریتم نرمال سازی اعداد می باشد . در نهایت ترکیب این الگوریتم منجر به تولید 720 شبکه آموزشی در دو ایستگاه شد وشبکه عصبی مصنوعی در هر دوایستگاه موفق به پیش بینی بارش گردید که بهترین پیش بینی در ایستگاه کرمانشاه مربوط به تابع آموزشی traingd و الگوریتم نرمال سازی میانگین و انحراف معیار با testerror معادل 0195/0 در دوره سرد سال ( مجموع پاییز و زمستان) و در ایستگاه نوژه همدان مربوط به تابع آموزشی traingdx و الگوریتم نرمال سازی pca0/06 با testerror معادل 0047/ در فصل زمستان بود.