L'extraction de caractéristiques devient de plus en plus importante à mesure que les données deviennent de dimension élevée. L'autoencodeur, en tant que méthode d'extraction de caractéristiques basée sur les réseaux de neurones, a connu un grand succès dans la génération de caractéristiques abstraites des données de grande dimension. Cependant, il ne prend pas en compte les relations entre les échantillons de données, ce qui peut influencer les résultats expérimentaux utilisant les caractéristiques originales et nouvelles. Dans cet article, nous proposons un modèle d'autoencodeur relationnel (Relation Autoencoder) qui considère à la fois les caractéristiques des données et leurs relations. Nous l'étendons également pour qu'il puisse fonctionner avec d'autres modèles d'autoencodeurs majeurs, tels que l'autoencodeur creux (Sparse Autoencoder), l'autoencodeur débruiteur (Denoising Autoencoder) et l'autoencodeur variationnel (Variational Autoencoder). Les modèles d'autoencodeurs relationnels proposés sont évalués sur un ensemble de jeux de données de référence, et les résultats expérimentaux montrent que prendre en compte les relations entre les données permet de générer des caractéristiques plus robustes, qui atteignent une perte de reconstruction plus faible et, par conséquent, un taux d'erreur plus bas lors de la classification ultérieure par rapport aux autres variantes d'autoencodeurs.