V posledních několika letech prošly počítačové aplikace dramatickou proměnou od prostého zpracování dat ke strojovému učení, a to díky dostupnosti a přístupnosti obrovského objemu dat shromážděných prostřednictvím senzorů a internetu. Myšlenka strojového učení demonstruje a propaguje skutečnosti, že počítač má schopnost se postupem času zdokonalovat. Západní země projevily velký zájem o téma strojového učení, počítačového vidění a rozpoznávání vzorů prostřednictvím pořádání konferencí, workshopů, kolektivních diskusí, experimentů a reálné implementace. Tato studie o strojovém učení a počítačovém vidění zkoumá a analyticky hodnotí aplikace strojového učení v počítačovém vidění a předpovídá budoucí perspektivy. Studie zjistila, že strategie strojového učení v počítačovém vidění jsou řízené, neřízené a částečně řízené. Běžně používané algoritmy jsou neuronové sítě, k-means clustering a support vector machine. Nejnovější aplikace strojového učení v počítačovém vidění jsou detekce objektů, klasifikace objektů a extrakce relevantních informací z obrázků, grafických dokumentů a videí. Kromě toho se k identifikaci automobilů a osob na snímcích používá Tensor flow, model Faster-RCNN-Inception-V2 a vývojové prostředí Anaconda.

.