В работе рассматривается новая модель автокодера при интервальных или многозначных обучающих данных. Первая идея, лежащая в основе автокодера, базируется на преобразовании интервальной ошибки реконструкции (функции потерь), определенной на расширенном множестве точных обучающих данных. Обучающее множество интервальных данных расширяется, но каждый новый точечный элемент обучающего множества имеет неизвестную вероятность. Вторая идея – это робастная стратегия принятия решений, заключающаяся в том, что автокодер минимизирует верхнюю границу ожидаемых потерь на множестве параметров нейронной сети. В результате модель была реализована на языке python. Автокодер может использоваться для уменьшения размерности и точного робастного представления интервальных данных. Приведенные численные эксперименты на примере разработанной модели и рассмотренных существующих методов анализа интервальных данных иллюстрируют эффективность интервального автокодера.