La tecnología de vehículos aéreos no tripulados (VANT) se utiliza extensamente en diversos ámbitos debido a su excepcional movilidad, rentabilidad, rápida implementación y configuración flexible. Sin embargo, su espacio de almacenamiento limitado y la contradicción entre la gran cantidad de datos de imagen devueltos y el ancho de banda limitado en escenarios de emergencia requieren el desarrollo de una tecnología de compresión de imágenes adecuada para VANT. En esta investigación, proponemos un algoritmo de compresión de imágenes por empalme basado en el filtro de Kalman extendido para la comunicación de VANT (SEKF-UC). En primer lugar, introducimos el concepto de empalme de imágenes para mejorar la relación de compresión mientras garantizamos la calidad de la imagen, aprovechando las características de la compresión basada en aprendizaje profundo, que son relativamente independientes del tamaño de los datos comprimidos. En segundo lugar, para abordar el problema de la velocidad de procesamiento lenta de las redes neuronales profundas (DNN) causado por el volumen sustancial de datos involucrados en el empalme de imágenes, incorporamos un módulo de filtro de Kalman extendido para acelerar el proceso. Los experimentos de simulación muestran que nuestro algoritmo propuesto supera a los métodos existentes de múltiples maneras, logrando una mejora significativa en la relación de compresión, de 2:1 a 25:1, con una reducción marginal del 6.5% en la similitud estructural (SSIM) en comparación con el enfoque no empalmado. Además, para las redes neuronales profundas (DNN), nuestro método que incorpora el módulo de filtro de Kalman extendido logra el mismo nivel de error con solo 30 iteraciones, una reducción significativa en comparación con el requisito de más de 4000 iteraciones del algoritmo BP tradicional, mientras mejora la velocidad promedio de operación de la red en un impresionante 89.76%. Adicionalmente, nuestro algoritmo sobresale en calidad de imagen, con una mejora en la relación de señal a ruido pico (PSNR) del 92.7% y en SSIM del 42.1%, como máximo, en comparación con otros algoritmos. Estos resultados establecen nuestro algoritmo como una solución altamente eficiente y efectiva, adecuada para diversas aplicaciones de procesamiento de imágenes y compresión de datos.