Las aplicaciones fractales en el campo de la tecnología se circunscriben mayoritariamente en los campos del diseño y compresión de imágenes y en el campo de las telecomunicaciones.

Las antenas son objetos sencillos en apariencia, pero su diseño y fabricación están basados en las ecuaciones de Maxwell para el electromagnetismo, lo que conlleva cierta complejidad. Por esta razón los diseñadores de antenas se ven obligados a proceder por tanteos, por prueba y error. Incluso los receptores técnicamente más avanzados dependen con frecuencia de un simple hilo colgante, que no se diferencia en nada de los utilizados hace un siglo por Marconi en sus primeras pruebas de transmisión por radio. 

Los fractales mejoran el diseño de antenas básicamente por dos motivos.

El primero es porque pueden mejorar el funcionamiento de los conjuntos de antenas. Muchas antenas parecen estar compuestas de una unidad independiente, incluyendo la mayoría de antenas de radar, pero en realidad están compuestas de formaciones de cientos de pequeñas antenas. Tradicionalmente, estas antenas individuales se colocan de forma aleatoria o de forma ordenada.

Pero Dwight Jaggard y su equipo de la Universidad de Pensilvana, han descubierto que una colocación en forma de fractal puede combinar la robustez de una colocación aleatoria con le eficiencia de una ordenación coherente, con una sola parte del número de elementos.“Los fractales son el puente que llena los huecos”, comenta Jaggard, “tienen un desorden a corto alcance y un orden a largo alcance”.Incluso las antenas independientes se benefician de tener una forma fractal.

Cohen fundo la empresa  Fractal Antenna Systems 1 que comercializa los productos. De forma independiente, un equipo de ingenieros de la Universidad Politécnica de Cataluña 2, está investigando en este campo.

La aplicación de técnicas fractales para la compresión de imágenes digitales fue introducida por Michael Barnsley y Arnaud Jacquin en 1988. La compresión consiste en buscar un conjunto de transformadas afines que describan aproximadamente la imagen.

Jacquin propone considerar las imágenes como una colección de transformaciones afines de pequeños dominios de imagen.

Básicamente, el proceso de compresión, muy a grandes rasgos, es el siguiente: La imagen origen es dividida en subconjuntos o regiones de dominio que se denominan blocks, sobre las que se buscarán redundancias dentro de la imagen. Para cada región de dominio se escoge una región de rango, mayor en tamaño que la región de dominio.
Todas las posibles regiones de rango son rotadas, escaladas y se las aplica una simetría, eligiendo la región de rango que junto con la transformación afín que mas se aproxime a la región de dominio. La elección de la región de rango, junto con la transformación afín, se almacenan en el fichero fractal, y constituirán los patrones para la descompresión y así reconstruir la imagen original.

El proceso de descompresión consiste en iterar un número suficiente de veces todas las transformaciones afines almacenadas sobre las regiones de rango hasta llegar a un conjunto invariante, al atractor, que es una buena aproximación de la imagen original ya que al tratarse de una compresión con pérdidas, nunca será una réplica pixel a pixel del original.

Con esta técnica de compresión se consiguen en general muy buenos resultados,  pero no es apropiada para aplicarla sobre imágenes médicas. Se logran altas tasas de compresión pero la calidad de las imágenes no logra alcanzar los niveles aceptables de fiabilidad que se requieren para los diagnósticos médicos.

Terminaremos este apartado haciendo mención a las aplicaciones en el campo de la meteorología. Recordemos el atractor de Lorenz y sus investigaciones en este campo. Basándonos en la teoría del caos podemos pensar en la atmósfera como un sistema dinámico de comportamiento caótico

En el campo de las aplicaciones puramente meteorológicas, Shaun Lovejoy 3, del Departamento de Ciencias de la Tierra y los Planetas de la Universidad McGill de Montreal (Canadá), ha modelizado nubes mediante fractales, relacionando  el  Area-Perímetro de nubes con las zonas de precipitación 4. Los datos se obtienen mediante satélites geoestacionarios y las áreas de lectura oscilan entre uno y un millón de  Kilómetros cuadrados.