У роботі проведено аналіз проблеми стискання статичних зображень за допомогою штучних нейронних мереж (ШНМ). Запропоновано метод модифікації архітектури ШНМ Кохонена для усунення вимог до нормалізації вхідних даних, що дозволяє відкинути шар Гросберга у вирішенні задачі стискання зображень ШНМ зустрічного розповсюдження. Запропоновано модифікацію генетичного алгоритму (ГА) на основі біологічного процесу апоптозу, що дозволяє уникнути проблеми попадання алгоритму у локальний екстремум у процесі багатокритеріальної оптимізації. Проведено аналіз можливих методів початковоії ініціалізації базисних функцій (БФ) ШНМ радіально-базисних функцій (РБФ) за допомогою ШНМ Кохонена та Нейро-Газ а також алгоритмів "k-середніх" та «k-найближчих сусідів» для підвищення якості та швидкості навчання ШНМ РБФ.
У середовищі Microsoft Visual Studio 2010 Express Edition проведено імітаційне моделювання різних задач апроксимації, класифікації, кластеризації та стискання зображень за допомогою статичних ШНМ.