A　reasonable　predicting　model　for　spatial　variation　of　soil　carbon　would　be　a　useful　tool　in　monitoring　and　restoration　of　salt　marshes.　In　this　study,　radial　basis　function　neural　networks　model　(RBFNN)　and　back　propagation　neural　networks　model　(BPNN)　were　built　to　predict　total　carbon　(TC),　total　organic　carbon　(TOC)　and　dissolved　organic　carbon　(DOC)　contents　in　salt　marsh　of　the　Yellow　River　Delta.　Both　models　contained　thirteen　input　parameters,　i.e.,　nine　topographic　factors　selected　from　ASTER　GDEM　Version2　and　Geographical　Information　System　(GIS),　one　vegetation　index　-　MODIS　16-day　composite　Enhanced　Vegetation　Index　(EVI),　and　three　soil　physicochemical　properties.　For　prediction　of　TC,　the　MAE,　MSE　and　RMSE　values　of　RBFNN　were　smaller　than　those　of　BPNN　by　61.87%,　81.36%　and　56.82%;　for　TOC,　the　MAE,　MSE　and　RMSE　values　of　RBFNN　were　smaller　than　those　of　BPNN　by　37.13%,　58.06%　and　35.23%;　both　models　had　no　significant　difference　in　accuracy　for　DOC　prediction,　but　the　MAE,　MSE　and　RMSE　values　of　RBFNN　were　smaller.　All　ME　values　of　RBFNN　rather　than　BPNN　were　closer　to　zero.　RBFNN　integrating　environmental　factors　had　a　higher　accuracy　than　BPNN　in　predicting　soil　carbon　content　at　a　relatively　small　regional　scale.