با توجه به تغییرات اقلیمی، گرمایش جهانی و خشکسالیهای اخیر، پیشبینی دماهای حداکثر به عنوان یکی از مهمترین پارامترهای اقلیمی فرصت مناسبی را برای برنامهریزی و ارائه تمهیدات لازم در اختیار برنامهریزان قرار میدهد. بررسی و تحلیل دماهای حداکثر به عنوان یکی از پارامترهای اقلیمی در مدیریت منابع آبی و طبیعی، کشاورزی، گسترش آفات و بیماریها، ذوب برف و سیلاب، تبخیر و تعرق، خشکسالی و غیره اهمیت زیادی دارد. امروزه با گسترش مدلهای هوشمند و تجربی در علوم مختلف، از جمله اقلیم شناسی و لزوم پیشبینیهای دقیقتر، جایگزینی آنها به جای مدل های قدیمی اهمیت پیدا میکند. یکی از این روشها، شبکههای عصبی مصنوعی از مؤلفههای هوش مصنوعی است که یکی از مهمترین کاربردهای آن در زمینه علوم جوی، پیش بینی و محاسبه پارامترهای اقلیمشناسی است. در این تحقیق با استفاده از متغیرهای میانگین رطوبت نسبی، میانگین سرعت باد، مجموع ساعات آفتابی، میانگین حداقل و حداکثر دمای ماهانه به عنوان ورودی شبکه پرسپترون چندلایه (MLP)، میانگین حداکثر دمای ماهانه ایستگاه سینوپتیک اردبیل پیشبینی شد. پارامترهای مذکور سالهای آماری 1985 تا 2005 را در بر میگیرند. از 21 سال دوره آماری موجود، حدود 85 درصد آن یعنی 18 سال (216 ماه) برای آموزش شبکه و 3 سال (36 ماه) باقیمانده در مرحله آزمون شبکه به کار برده شده است. بدین منظور از امکانات و توابع موجود در نرم افزار MATLAB بهرهگرفته شد و برای هر ماه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخصهای عملکرد شبکه، از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی مشاهده شد که پیشبینی دمای حداکثر با دقت قابل قبولی انجام شده است؛ به گونهای که میزان ضریب همبستگی آن 99/0 و بیشترین اختلاف آن با دادههای واقعی برابر 83/0 درجه سانتیگراد بوده است.