RESUMO Neste estudo foi proposta a elaboração de um modelo de previsão de vazões no horizonte de dez dias para a Usina Hidrelétrica de Furnas, localizada na Bacia do Rio Grande, Minas Gerais, a partir da aplicação de redes neurais artificiais (RNA), informações de vazão natural e precipitação observada e prevista. O modelo foi desenvolvido utilizando o software Matlab(r) Neural Network Toolbox. Escolheu-se uma rede neural do tipo perceptron multicamadas (MLP), treinada com algoritmo supervisionado de retropropagação Levenberg-Marquardt. As previsões de precipitação foram obtidas a partir do modelo ETA/Centro de Previsão do Tempo e Estudos Climáticos (CPTEC), e utilizadas com e sem tratamento matemático. Foram realizados três experimentos, dividindo-se o histórico de dados em três períodos, sendo o primeiro para a calibração do modelo, o segundo para a validação e o terceiro para os testes. Em cada experimento foi variado o conjunto de dados de entrada, sendo utilizada, no primeiro experimento, somente a vazão passada para prever os dez dias de vazão futura. No segundo foi adicionada a precipitação observada e, no terceiro, a previsão de precipitação. Os resultados da modelagem chuva-vazão obtidos com a previsão de precipitaçãodo modelo ETA não apresentaram melhorias estatísticas em comparação com os experimentos que só utilizaram informações passadas. No entanto, quando se utilizou a previsão de precipitação corrigida matematicamente, observou-se uma melhora sensível tanto nos índices estatísticos quanto na representação da previsão simulada no hidrograma, ficando o desempenho da modelagem proposta neste estudo semelhante à encontrada em modelos conceituais do tipo chuva-vazão. ABSTRACT The purpose of this study was to elaborate a ten-year runoff forecast model for the Furnas hydroelectric plant. The facility is located in the Rio Grande Basin in the state of Minas Gerais, Brazil. Artificial neural networks were used to determine natural flow as well as observed and predicted precipitation. The model was created using the Matlab(r) Neural Network Toolbox software, and the multi-layers perceptron (MLP) was trained with supervised learning algorithm Levenberg-Marquardt. Precipitation forecasts derived from ETA/Centro de Previsão do Tempo e Estudos Climáticos (CPTEC) model, and both raw and mathematical adjusted data were used. Historical data was separated in three different periods in order to calibrate, validate and test the model. The first share was used for calibration, the second portion was used for validation and the third one to test the model. In each experiment the input data was modified; thus, in the first experiment, to forecast the ten day runoff, only the past runoff data was considered. In the second experiment, observed precipitation was added; and in the third one, the forecast precipitation was added. The rainfall-runoff modeling results did not show any significant improvement in the statistics when ETA input data is compared with the experiments that only used past information as input. Nevertheless, when forecast precipitation was used with mathematical adjustment, a mild improvement was shown for the statistics index and for the forecast hydrogram simulation. As a result, the modeling performance proposed in this study is similar to that found in conceptual models of rainfall-runoff type.