Az adattömörítés a neurális hálózatok által megoldott feladatok egyike . Mint minden tömörítésnek , ennek a problémának a megoldása is a bemeneti jelben (képben) lévő információredundancia kiküszöbölésén alapul .
A hagyományos tömörítési módszerekkel - matematikai számítással és redundancia eltávolítással - ellentétben a neurális hálózat a tömörítési probléma megoldása során az erőforrások hiányának megfontolásából indul ki. A hálózat topológiája és tanulási algoritmusa olyan, hogy a nagy dimenziós adatokat a neurális hálózat bemenetéről a kimenetére viszonylag kis csatornán keresztül kell továbbítani. Az ilyen tömörítés megvalósításához a következő architektúrájú többrétegű perceptron használható: a bemeneti és kimeneti rétegben lévő neuronok száma megegyezik a tömörített adatok méretével; e rétegek között egy vagy több kisebb méretű közbenső réteg található. A közbenső rétegek száma meghatározza az adatátalakítás bonyolultsági fokát. Például egy három közbülső rétegű hálózat teljesítheti a legjobb tömörítést a betanítási adatokon, de valós helyzetekben rosszabb eredményeket adhat. Ennek az az oka, hogy a kiindulási adatokban véletlenül kialakulhat valamilyen függőség, aminek semmi köze a valósághoz.
A hálózat kezdeti adatait úgy állítják össze, hogy a kimenetek mindig ugyanazt a jelkészletet tartalmazzák, mint a bemenet. Működés közben a hiba visszaterjesztési algoritmusa minimalizálja a hibát. Ez azt jelenti, hogy a neuronok bemeneti rétegéből és megközelítőleg a középső rétegbe tartó kapcsolatok súlya a jel tömörítésén, a többi pedig a dekompresszión működik. A gyakorlati használat során az így létrejövő hálózat két részre oszlik. Az első hálózat kimenetét egy kommunikációs csatornán továbbítják, és a második hálózat bemenetére táplálják, amely dekompressziót hajt végre.
A tömörítési probléma másik megoldása az automatikus asszociatív memória , például a Hopfield hálózat használata , mivel az képes visszaállítani a jelet a sérült képről.