Die Merkmalsextraktion gewinnt an Bedeutung, da die Daten zunehmend hochdimensional werden. Der Autoencoder als ein auf neuronalen Netzen basierendes Verfahren zur Merkmalsextraktion erzielt große Erfolge bei der Generierung abstrakter Merkmale von hochdimensionalen Daten. Allerdings berücksichtigt er nicht die Beziehungen zwischen den Datensamples, was die experimentellen Ergebnisse der Verwendung von ursprünglichen und neuen Merkmalen beeinflussen kann. In dieser Arbeit schlagen wir ein Relation-Autoencoder-Modell vor, das sowohl die Datenmerkmale als auch ihre Beziehungen berücksichtigt. Wir erweitern dieses Modell außerdem, um es mit anderen wichtigen Autoencoder-Modellen wie dem Sparsen Autoencoder (Sparse Autoencoder), dem Entstörten Autoencoder (Denoising Autoencoder) und dem Variational Autoencoder zu vereinen. Die vorgeschlagenen relationalen Autoencoder-Modelle wurden anhand einer Reihe von Benchmark-Datensätzen evaluiert. Die experimentellen Ergebnisse zeigen, dass die Berücksichtigung von Datenbeziehungen robustere Merkmale generieren kann, die einen niedrigeren Rekonstruktionsverlust und somit eine geringere Fehlerrate in nachfolgenden Klassifikationen im Vergleich zu anderen Varianten von Autoencodern erreichen.