Muitos tipos de modelos físicos foram desenvolvidos para estimativa de escoamento superficial com resultados bem sucedidos. Entretanto, a estimativa precisa do escoamento continua sendo um problema desafiador devido à falta de dados de campo e à complexidade de seu processo hidrológico. Neste artigo, um método de aprendizagem de máquina para a estimativa de escoamento é apresentado como uma abordagem alternativa ao modelo físico. Vários tipos de variáveis de entrada e arquiteturas de Rede Neural Artificial (RNA) foram examinados neste estudo. Os resultados mostraram que uma rede de duas camadas com a função de ativação de tansig e o algoritmo de aprendizagem Levenberg-Marquardt tinha o melhor desempenho. Para esta arquitetura, o vetor de entrada mais eficaz consiste em um perímetro de captação, comprimento do canal, inclinação, coeficiente de escoamento e intensidade da chuva. No entanto, os resultados da análise multivariada de variância indicaram o efeito de interação significativo dos dados de entrada e da arquitetura RNA. Assim, para criar um modelo RNA adequado para a estimativa de escoamento superficial, é necessária uma determinação sistemática do vetor de entrada.