Les images satellitaires ont une grande résolution aujourd'hui grâce à des capteurs performants. Cela se traduit par une utilisation importante de ces images pour tout type d'application. Cet accroissement du volume de données à transmettre jusqu'à la Terre nécessite des méthodes de compression efficaces devant tenir compte des contraintes matérielles existant dans les systèmes embarqués. Nous répondons à ces problématiques par l'emploi de réseaux de neurones profonds. Nous développons d'abord un autoencodeur adapté au point de fonctionnement voulu et aux particularités des images satellitaires. Nous l'améliorons avec l'ajout d'une fonction de coût perceptuel afin d'extraire les détails hautes fréquences de ces images à forte entropie. Dans un deuxième temps, nous incluons d'autres traitements que la compression à notre réseau pour diminuer la complexité. En effet, les images brutes en sortie de capteurs sont des matrices de filtres colorés exigeant un dématriçage pour obtenir une image RVB. Ces images sont par ailleurs bruitées lors de l'acquisition, ce qui complique la tâche de compression. Nous présentons alors un réseau pour traiter conjointement ces opérations lors de la phase de reconstruction tout en codant des images brutes. Nous améliorons notre réseau avec une branche de guidage lors de l'entraînement pour forcer une reconstruction intermédiaire proche lors du décodage. Notre méthode obtient de meilleurs compromis débits-distorsions que les standards satellitaires actuels tout en réduisant la complexité totale de l'ensemble du processus.