خشک سالی یکی از پدیده های آب و هوایی است که در همه شرایط اقلیمی و در همه مناطق کره زمین به وقوع می پیوندد. پیش بینی خشک سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم های منابع آب، تعیین نیاز آبی گیاه و... ایفا می نماید. در طی دهه های اخیر شبکه های عصبی توانایی های زیادی را در مدل سازی و پیش بینی سری های زمانی غیرخطی و غیرایستا نشان داده اند. از این رو، در این تحقیق به منظور پیش بینی خشک سالی، از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و تابع پایه ای شعاعی (RBF) استفاده شده است. به این منظور از داده های بارندگی ایستگاه نوده با دوره آماری ۴۱ ساله در حوزه آب خیز گرگان رود، استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره های زمانی کوتاه مدت (۱، ۳، ۶ و ۹ ماهه) و بلندمدت (۱۲، ۲۴ و ۴۸ ماهه) محاسبه گردید. سپس از بین داده های محاسبه شده، دوره ۴۶-۱۳۴۵ الی ۷۸-۱۳۷۷ به عنوان داده آموزش و دوره ۷۹-۱۳۷۸ الی ۸۶-۱۳۸۵ به عنوان داده آزمون انتخاب گردید. برای تخمین مقدار SPI در زمان t از مقادیر SPI در زمان های قبل استفاده شد. نتایج نشان داد که شبکه عصبی مصنوعی MLP نسبت به شبکه عصبی مصنوعی RBF با دقت بالاتری مقادیر SPI و وضعیت خشک سالی را پیش بینی می کند. همچنین مقایسه نتایج با نتایج حاصل از به کارگیری سری زمانی ARIMA نشان دهنده دقت بالای این روش می باشد.