人工神经网络在图像压缩方面的应用越来越引起人们的注意，和一些传统的压缩方法相比，人工神经网络技术具有良好的容错性、自组织性和自适应性，因此在图像压缩过程中，不必借助于某种预先确定的数据编码算法，神经网络能够根据图像本身的信息特点，自主地完成图像编码和压缩。

目前，在神经网络编码中，使用较多的是三层BP网络和自组织映射神经网络。

采用BP网络实现数据压缩好比是强迫数据通过细腰型网络的瓶颈，并期望在网络的瓶颈处能获得较紧凑的数据表示。图1-1给出了BP网络进行数据压缩的原理，将图像先分层n个小块，对应于输入的n个神经元，压缩后的数据对应于隐含层m个神经元，m≦n。通过训练算法在网络学习过程中调整网络的权重，使训练集图像的重建误差E=||X-Z||均值达到最小（X为输入层样本集，Z为输出层样本集），或者说使重建图像在均方误差意义上尽可能地相似于原始图像。经过训练后的BP神经网络便可以用来进行图像压缩。

自组织映射神经网络中的神经元可以自动根据外部刺激的兴奋点调整自己在由外界信号决定的参数空间中的位置。以一种双层神经网络为例，其中输入层神经元（x1，x2，…,xn）简单反映外部刺激。在输出层中，M个神经元排布成二维网络，其中每个神经元j接收两类输入：来自输入层神经元i的输入xi(权重为wij)和来自输出层神经元的固定权重。对每一个外界输入矢量x=( x1，x2，…,xn),只有一个同该输入的距离di=f(x,wj),wj=(w1j,w2j,…,wnj)为最小的神经元j才被激发。其中，距离函数f(x,wj)反映了在某一准则（一般为平方误差准则）下，矢量x与wj之间的距离。在网络的训练中只需要提供输入矢量x,通过调整从公共的外部输入到每个神经元j的连接权重wj，权重矢量将逐渐指向输入矢量空间的聚类。从而实现了输入空间的维数压缩，完成了类似于矢量量化的功能。

除了把神经网络直接用于图像压缩之外，还可以把神经网络同传统的图像压缩编码算法相结合，构成许多间接应用神经网络的图像编码方法。但是，目前人工神经网络的工作原理还不清楚，神经网络的图像编码方法的研究目前仅处于一个初级阶段，需要解决的问题还很多，如完善人工神经网络的理论体系，弄清楚神经网络的工作原理，找到适合图像数据的高效压缩，充分利用视觉信息处理机制的神经网络模型和学习算法。