Untuk pengenalan objek 3 dimensi telah dikembangkan jaringan syaraf tiruan hemisphere Structure of hidden layer (JST HSHL) yang dapat mengenali objek 3 dimensi melalui data citra 2 dimensi yang diambil dari sudut pandang horisontal dan vertikal. JST HSHL mempunyai arsitektur sub lapir tersembunyi berbentuk setengah bola yang menggabungkan informasi sudut pandang vertikal dan horisontal. JST HSHL menggunakan metode pembelajaran supervised yang mempunyai pola target tertentu yang menjadi acuan keberhasilan pembelajaran serta menggunakan metode pelatihan Back Propagation (propagasi balik) dengan fungsi kesahan Cross Entropy. Untuk mengenali objek 3 dimensi dari kumpulan citra 2 dimensi, JST HSHL menggunakan pasangan berarah vektor sudut pandang dan vektor posisi. Vektor sudut pandang menunjukkan arah dan sudut pandang kamera ke pusat sebuah objek 3 dimensi dan vektor posisi menunjukkan poisi neuron terhadap pusat suatu setengah bola yang membentuk satu sub lapis tersembunyi. Data citra 2 dimensi yang digunakan pada pengenalan objek 3 dimensi menggunakan JST HSHL ini merupakan data spasial yang mempunyai dimensi data citra yang besar. Dimensi data citra yang besar dapat menurunkan kinerja pengenalan objek 3 dimensi dengan JST HSHL. Untk itu diperlukan pemrosesan awal (preprocessing) pada data citra tersebut untuk mengurangi dimensi data citra yang digunakan. Reduksi dimensi citra dilakukan dengan mengekstrak ciri yang dimiliki oleh citra 2 dimensi tersebut melalui transformasi Karhunen-Loeve atau Principal Component Analysis (PCA). Data citra hasil reduksi ini merupakan data citra yang berada di ruang eigen atau eigen space. Dalam penelitian ini digunakan 3 jenis metode reduksi yang menggunakan transformasi Karhunen-Loeve yaitu metode Eigen Parsial 1, Eigen Parsial 2 dan Eigen semua. Pada metode Eigen Partial 1, data citra dikelompokkan sesuai dengan sudut pandang horisontal yang dimiliki dan akan dilakukan trasformasi Karhunen-Loeve terhadap masing-masing kelompok tersebut. Metode Eigen parsial 2 akan melakukan proses transformasi Karhunen-Loeve pda kelompok data citra yang memiliki 2 sudut horisontal yang berdekatan dan data citra yang memiliki sudut diantara 2 tersebut akan menggunakan transformasi Karhunen-Loeve yang telah dihasilkan oleh proses sebelumnya. Untuk metode Eigen Semua, data citra tidak dikelompokkan, sehingga seluruh data citra yang digunakan akan mengalami reduksi dimensi citra menggunakan transformasi Karhunen-karhunen secara bersama-sama. Percobaan dilakukan dengan menggunakan dua arsitektur jaringan yang berbeda yaitu tunggal dan jamak. Untuk masing-masing arsitektur ini digunakan 2 tipe jaringan yaitu normal dan multiple. Tipe jaringan multiple memiliki jumlah neuron 2 kali lebih banyak dari tipe jaringan normal. Hasil pengenalan objek 3 dimensi dengan menggunakan data citra 2 dimensi yang berada dalam ruang eigen mempunyai tingkat pengenalan yang memuaskan. Hasil pengenalan maksimal untuk 4 buah objek 3 dimensi mencapai 98,66% untuk data eigen yang dihasilkan dari metode Eigen parsial 2 dengan menggunakan arsitektur jaringan tunggal dan tipe jaringan normal.