自动编码器在训练时通过以下步骤压缩和提取特征：

1. 编码阶段：编码器接收输入数据，通过一系列神经网络层（如卷积层、池化层、全连接层等）对其进行变换和压缩，生成一个低维的特征表示。这个特征表示被称为编码（或称为潜在表示），它包含了输入数据的关键信息，但忽略了不重要的细节。
2. 解码阶段：解码器接收编码器的输出，即低维的特征表示，通过一系列神经网络层对其进行逆变换和解压缩，试图恢复原始输入数据。这个过程被称为解码。
3. 训练过程：自动编码器的训练目标是最小化原始输入数据和解码器输出数据之间的差异，也就是最小化重构误差。这可以通过反向传播算法和梯度下降方法实现。通过训练，编码器学会将输入数据压缩为低维特征表示，而解码器学会从低维特征表示中恢复原始数据。
4. 特征提取：训练完成后，我们可以只保留编码器部分，用于对新的输入数据进行特征提取。编码器将新的输入数据压缩为低维特征表示，这个特征表示可以用于各种机器学习任务，如分类、聚类、回归等。

需要注意的是，自动编码器是一种无监督学习模型，不需要标注数据就可以进行训练。它通过学习从输入数据中提取有用的特征，可以用于数据降维、去噪、生成等任务。