تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیرخطی قابلیت بسیار بالایی از خود نشان داده اند. در تحقیق حاضر امکان استفاده از شبکه های با تابع پایه شعاعی (RBF) و شبکه های پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرف گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده های هواشناسی سال های 1330-1383 ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه گیاه مرجع از روش استاندارد پنمن - مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی های هدف، شبکه های مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده ها که در طراحی و یا آموزش شبکه استفاده نشده اند، مورد بررسی قرار گرفت. با بررسی های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی RMSE<0.4081) و R2>0.976 برای مجموعه صحت سنجی) تخمین زد. همچنین با مقایسه نتایج حاصل از دو شبکه مشخص شد که شبکه های MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتا بیشتری برخوردارند و تنها مزیت شبکه های RBF زمان کمتر مورد نیاز برای آموزش است.