The present work has as its primary objective to characterize the pluviometric system in the state of Sergipe and evaluate the applicability of the artificial neural networks in the process of fulfilling malfunctions in the historical series of pluvimetric data. It is intended, with this work, to socialize the technical knowledge about the existing system in the state and present to the users data of precipitation, a possible tool for the treatment of this information. To characterize the pluviometric system in the state of Sergipe, interviews were carried in public organizations, at the state and federal level, that have pluviometric posts or stations in Sergipe, aiming at identifying the profile of the people responsible for the stations; the structure of the network; and the process of monitoring and validating the precipitation data. To evaluate the functioning of the neural networks when the failures were fulfilled, three experiments were carried out, varying the structure of the created system. The results of the research reveal that Sergipe has a pluviometric system with good density, but poor distribution of stations. Also, a considerable number of stations today are inactive, and amongst the ones that are active, the great majority is conventional, and models that do not meet the recommendations of the World Meteorology Organization. This points out the urgent need to restructure the pluviometric system in the state. It has also been discovered that failures in the process of collection and transmission of data generate innumerous problems and inconsistence in the data of historical series of pluviometric data. About the applicability of the neural network to overcome the last problem, the experiments showed that the neural systems are able to generate satisfactory results. Nevertheless, there is some difficulty to obtain the values with precision, because the series of pluviometric data are not obtained with regularity, which implies in problems to recognize a specific pattern. Whereas researchers aim at consistent and precise data, this technique should not be disregarded, but improved and utilized after the pre-treatment of the data through simpler models. / O presente trabalho tem como objetivo caracterizar a rede pluviométrica do Estado de Sergipe e avaliar a aplicabilidade das redes neurais artificiais no preenchimento de falhas nas séries históricas de dados pluviométricos. Pretende-se, com este trabalho, socializar os conhecimentos técnicos sobre a rede existente no Estado e apresentar aos usuários dos dados de precipitação uma possível ferramenta voltada ao tratamento desses dados. Para caracterizar a rede pluviométrica do Estado, foram realizadas entrevistas nas entidades públicas, estaduais e federais, que possuem postos ou estações pluviométricas no Estado, visando identificar o perfil das pessoas responsáveis pelas estações; a estrutura da rede; e o processo de monitoramento e validação dos dados de precipitação. E, para avaliar o comportamento das redes neurais, quando aplicadas ao preenchimento de falhas, foram realizados 03 experimentos, variando a estrutura da rede criada. Os resultados da pesquisa revelam que Sergipe possui uma rede pluviométrica com boa densidade, mas com má distribuição das estações. Além disso, um número significativo de estações estão atualmente desativadas e dentre as que estão em funcionamento, a grande maioria é do tipo convencional e de modelos que não atendem às recomendações da Organização Mundial de Meteorologia OMM. O que mostra a urgente necessidade de reestuturação da rede pluviométrica do Estado. Constatou-se também que as falhas no processo de coleta e transmissão dos dados geram inúmeros problemas de inconsistência de dados e lacunas nas séries históricas de dados pluviométricos. Quanto à aplicabilidade das redes neurais para solucionar este último problema, os experimentos mostraram que as redes neurais conseguem gerar resultados satisfatórios. Porém, com certa dificuldade de obter valores com precisão, pois as séries de dados pluviométricos não apresentarem muita regularidade, dificultando o reconhecimento de uma lógica ou de um padrão. No entanto, embora o que se almeje sejam dados consistentes e precisos, esta técnica não deve ser descartada, mas sim aprimorada e utilizada após o prétratamento dos dados através de modelos mais simples.