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.