Os incêndios florestais causam grandes impactos, como desastres ecológicos, diminuição da qualidade da água e perda de vidas humanas e de animais. Entender o comportamento do fogo permite prever as situações de perigo e os impactos dos incêndios. Através de modelos de previsão construídos utilizando redes neurais artificiais (RNA), pode ser possível prever esse comportamento. Para diminuir o perigo de incêndios florestais, é necessário entender as variáveis que mais propiciam o início e propagação do fogo e as áreas mais suscetíveis. Isto é possível a partir da utilização de Sistemas de Informações Geográficas (SIG), onde são criados mapas de suscetibilidade, que avaliam potenciais ocorrências em função de fatores ambientais. Dessa forma, este trabalho foi subdividido em dois capítulos para melhor entender o teor de umidade dos materiais combustíveis, o comportamento do fogo e as variáveis que favorecem a suscetibilidade a incêndios florestais. No primeiro capítulo, configurou-se redes neurais artificiais para previsão da umidade do material combustível de diferentes classes de espessura e do comportamento do fogo em plantios de eucalipto. As variáveis dias sem chuva (Dsch) e umidade relativa do ar (UR) são as que mais contribuem para a umidade do material combustível e a velocidade do vento (VV) e a umidade relativa do ar (UR) são as que mais contribuem para o comportamento do fogo. No segundo capítulo, analisou-se as classes de variáveis ambientais que controlam a ocorrência de incêndios florestais em Coimbra, Portugal, e, a partir delas, confeccionou-se mapas de suscetibilidade a incêndios florestais para a região. As classes que obtiveram maiores porcentagens de áreas queimadas foram: Florestas, >400 m, 0–15º e alto acumulado, para as variáveis uso do solo, proximidades, inclinação do terreno e radiação solar, respectivamente. O SIG se mostrou uma ferramenta eficiente na análise de suscetibilidade a incêndios, pois o modelo escolhido para o mapeamento de suscetibilidade a incêndios na região apresentou maiores somas dos valores das classes “alta” e “altíssima” e menores somas das classes “baixa” e “baixíssima”. Palavras-chave: RNA. Modelos de previsão. Monitoramento. Suscetibilidade a incêndios. Inteligência artificial. Fogo.Forest fires cause major impacts, such as ecological disasters, reduced water quality and loss of human and animal life. Understanding fire behavior makes it possible to predict danger situations and the impacts of fires. Through prediction models built using artificial neural networks (ANN) it is possible to predict this behavior. To reduce the risk of forest fires, it is necessary to understand the variables that most favor the start and spread of fire and the most susceptible areas. This is possible through the use of Geographic Information Systems (GIS), where risk zoning maps are created, which assess potential occurrences due to environmental factors. Thus, this work was divided into two chapters to better understand the moisture content of combustible materials, the fire behavior and the variables that favor the risk of forest fires. In the first chapter, artificial neural networks were configured to predict the moisture content of combustible material of different thickness classes and fire behavior in eucalyptus plantations. The variables days without rain and relative humidity are the ones that contribute the most to the combustible material humidity and the wind speed and the relative humidity are the ones that contribute the most to the behavior of fire. In the second chapter, we analyzed the classes of environmental variables that control the occurrence of forest fires in Coimbra, Portugal, and, based on them, maps of the risk of forest fires for the region were drawn up. The classes that obtained the highest percentages of burned areas were: Forests, >400 m, 0–15º and high accumulated, for the variables land use, proximity, slope and solar radiation, respectively. The GIS proved to be an efficient tool in the analysis of fire risk, as the model chosen for mapping the risk of fire in the region had the highest sums of the values of the “high” and “very high” classes and the smallest sums of the “low” and “very low”. Keywords: ANN. Prediction models. Monitoring. Susceptibility to fire. Artificial intelligence. Fire.Conselho Nacional de Desenvolvimento Científico e Tecnológico