Komprese dat je jednou z úloh řešených neuronovými sítěmi . Jako každá komprese je řešení tohoto problému založeno na eliminaci informační redundance ve vstupním signálu (obrazu).
Na rozdíl od tradičních kompresních metod – matematického výpočtu a odstranění redundance – neuronová síť při řešení kompresního problému vychází z úvah o nedostatku zdrojů. Topologie sítě a její algoritmus učení jsou takové, že vysokorozměrná data musí být přenášena ze vstupu neuronové sítě na její výstupy přes relativně malý kanál. Pro implementaci komprese tohoto druhu lze použít vícevrstvý perceptron následující architektury: počet neuronů ve vstupní a výstupní vrstvě je stejný a rovný rozměru komprimovaných dat; mezi těmito vrstvami je jedna nebo více mezilehlých vrstev menší velikosti. Počet mezivrstev určuje stupeň složitosti transformace dat. Například síť se třemi mezivrstvami může provádět nejlepší kompresi tréninkových dat, ale v reálných situacích může poskytovat horší výsledky. Je to dáno tím, že ve výchozích datech se může náhodně vytvořit nějaká závislost, která nemá s realitou nic společného.
Počáteční data pro síť jsou sestavena tak, že výstupy mají vždy stejnou sadu signálů jako vstup. Během provozu algoritmus zpětného šíření chyby chybu minimalizuje. To znamená, že váhy spojení ze vstupní vrstvy neuronů a přibližně do střední vrstvy budou pracovat na kompresi signálu a zbytek - na jeho dekompresi. Při praktickém použití je výsledná síť rozdělena na dvě. Výstup první sítě je přenášen komunikačním kanálem a přiváděn na vstup druhé sítě, která provádí dekompresi.
Dalším způsobem, jak vyřešit problém s kompresí, je použít autoasociativní paměť , jako je Hopfieldova síť , protože má schopnost obnovit signál z poškozeného obrazu.