在大数据时代,海量数据涌现,人们会使用各种电子产品存储所需的数据。数据越多占据的存储空间就越多,而电子产品的存储空间是固定的,存满了就无法满足后续的存储需求,也会影响传输速度,数据越多,传输时间越长。因为在存储设备上的研发较为缓慢,人们开始研究如何将数据进行压缩,以尽可能少的存储空间存储大量的数据。有压缩需求的情况下,本文提出一个自动分类的数据压缩系统的构想:输入任意数据（文字、图像、音频或视频）,然后对该数据自动选择一个最优压缩算法进行压缩。由于该构想需对不同的数据进行大量实验研究,本文就图像进行了部分分类和压缩研究。首先利用扩展名和头文件对数据进行分类和修改,分出音频、文本、图像等不同的数据。对其中的图像数据从Simple-CNN、Dense Net、Res Net与注意力机制结合、VGG、Alex Net这五种分类算法中,选择一种最好的分类算法进行进一步分类后,用CNN、GAN、CAE和改进CAE模型对选取的城市街景图像进行压缩,选择一个最好的压缩算法。分类实验结果:从头文件能够正确分辨并改正被修改过的扩展名,根据扩展名能够准确进行简单分类,并将文件转移到相应扩展名中。单一图像能被五种分类模型正确分类的概率较高,复杂图像（如动物和人同时存在时）被模型正确分类的概率较低,分类效果最好的是Res Net分类网络。压缩实验结果:CAE模型在SSIM值和PSNR值上图像之间的数据相差不大,较为稳定。CAE模型解压后图像有一定失真,并且与GAN、CNN模型在颜色上与原图对比有差异。从SSIM值和PSNR上看,改进CAE模型更好,并且改进CAE模型还可以用Huffman对模型压缩后的数据继续压缩。