چکیده: در دهه های اخیر تغییر اقلیم بویژه گرمایش زمین یکی از مسائل مهم برای جامعه جهانی بوده است. این مسئله عامل مخرب و تهدید کننده ای برای زندگی بشر است. لذا پیش بینی تغییرات اقلیمی در آینده امری ضروری به حساب می آید. یکی از روش های پیش بینی تغییرات اقلیم، استفاده از خروجی مدل های گردش عمومی هوا (GCM) است. ولی با توجه به قدرت تفکیک مکانی پایین این مدل ها، قابل استفاده برای مطالعات منطقه ای و ایستگاهی نمی باشند .به منظور افزایش قدرت تفکیک، خروجی این مدل ها ریزمقیاس می گردند. در این پژوهش از داده های مشاهداتی بارش روزانه ایستگاه امامه در دوره آماری 2005-1980 و همچنین استفاده از داده های پیش بینی 26 پارامتر مدل HadCM3 از سناریو چهارم سازمان بین المللی تغییر اقلیم (AR4) و همچنین 26 پارامتر مدل CanESM2 از سناریو پنجم سازمان بین المللی تغییر اقلیم(CMIP5) استفاده شد. به منظور ریزمقیاس کردن خروجی مدل های تغییر اقلیم، سه روش داده محور شبکه عصبی (ANN)، روش ناپارامتریک K- نزدیک ترین همسایگی(KNN) و روش استنتاج عصبی - فازی تطبیقی(ANFIS) بکار گرفته شد. در این مطالعه داده های 26 پارامتر دو مدل را بصورت جداگانه به عنوان ورودی و داده های بارش روزانه مشاهداتی به عنوان خروجی به مدل خورانده شد. سپس داده های شبیه سازی شده (ریز مقیاس شده) بصورت ماهانه محاسبه شده و متوسط داده های شبیه سازی شده با متوسط داده های مشاهداتی ماهانه مقایسه شد. نتایج بدست آمده، برتری مدل KNN را نسبت به دو روش دیگر نشان می دهد. هر چند هر سه روشANN، KNN و ANFIS برای هر دو مدل اقلیمی HadCM3 و CanESM2 پاسخ خوبی را نسبت به ریز مقیاس سازی در این منطقه نشان می دهد.