W pracy przedstawiono dwa modele pedotransferowe do oznaczania przewodnictwa hydraulicznego w strefie nasyconej gleby, skonstruowane przy pomocy sztucznych sieci neuronowych (SSN). Modele zostały nauczone w oparciu o dane empiryczne otrzymane w laboratorium, przeprowadzone na 56 próbkach gleby o zróżnicowanym składzie granulometrycznym. W pierwszym modelu danymi wejściowymi były: średnice charakterystyczne d10, d50, d60, d90, zawartość frakcji piasku, pyłu iłu, porowatość ogólna, gęstość objętościowa i zawartość materii organicznej. Wykorzystano rodzaj MLP (perceptron wielowarstwowy) SSN. Najlepiej dopasowanym modelem okazał się model MLP 10-10-1 z satysfakcjonującymi wartościami parametrów jakości: dla próbki uczącej 0.996, for testowej 0.754 a dla walidacyjnej 1.000. Globalna analiza wrażliwości wykazała, że największy wpływ na wyjaśnienie relacji z przewodnictwem hydraulicznym w strefie nasyconej w tym modelu miały: zawartość frakcji iłu (wpływ absolutny 37.7%, d60 (17.1%), zawartość frakcji piasku (13.5%), d90 (6.0%), gęstość objętościowa (5.9%) i porowatość ogólna (5.7%). Pozostałe parametry miały absolutny wpływ poniżej 5.0%. Następny wygenerowany model SSN był typu 6-10-1, z sześcioma wyjaśniającymi parametrami o największym wpływie. Współczynnik korelacji osiągną wartość 0.989 i 0.955 dla pierwszego i drugiego modelu odpowiednio. Średni procentowy błąd wskazał na niedoszacowanie wartości wyjaśnianej przez model w stosunku do wartości uzyskanych w laboratorium. Wartości błędu osiągnęły 35.9% i 54.8% odpowiednio. Ograniczenie ilości parametrów wyjaśniających nie wykazało dużego pogorszenia jakości modelu SSN.