La evapotranspiración de la cuenca (E) es un parámetro físico importante en la investigación de recursos hídricos agrícolas. Muchos factores climáticos afectan a E, y uno de los desafíos esenciales es modelar o predecir E utilizando parámetros climáticos limitados. En este estudio, se evaluó el rendimiento de cuatro algoritmos diferentes de redes neuronales artificiales (ANN), es decir, la propagación hacia atrás con múltiples capas ocultas (MBP), la red neuronal de regresión generalizada (GRNN), las redes neuronales probabilísticas (PNN) y la red neuronal de wavelet (WNN), así como un modelo empírico denominado Stephens-Stewart (SS) para predecir la E mensual. Se utilizaron datos climáticos a largo plazo (es decir, 1961-2013) para validar el modelo propuesto en la provincia de Henan, China. Se encontró que diferentes modelos tenían diversas precisiones de predicción en varias ubicaciones geográficas, el modelo MBP superó a los otros modelos en casi todas las estaciones (máximo R2 = 0.96), y el modelo WNN fue el mejor en dos sitios, las precisiones de los cinco modelos se clasificaron como MBP, WNN, GRNN, PNN y SS. Los rendimientos de WNN y GRNN fueron casi los mismos, los modelos ANN de cinco entradas proporcionaron una mejor precisión que el modelo empírico SS de dos entradas (radiación solar (Ro) y temperatura del aire (T)) (R2 = 0.80). De manera similar, los modelos ANN de dos entradas (máximo R2 = 0.83) también generalmente tuvieron un mejor rendimiento que el modelo empírico SS de dos entradas (Ro y T). El estudio podría revelar que los modelos ANN mencionados pueden usarse para predecir E con éxito en la modelización hidrológica en la provincia de Henan.