I løbet af de sidste par år har computerapplikationer gennemgået en dramatisk forandring fra simpel databehandling til maskinlæring takket være tilgængeligheden og adgangen til enorme mængder af data indsamlet via sensorer og internettet. Idéen om maskinindlæring demonstrerer og fremfører den kendsgerning, at computeren har evnen til at forbedre sig selv med tiden. De vestlige lande har vist stor interesse for emnet maskinlæring, computervision og mønstergenkendelse ved at organisere konferencer, workshops, kollektive diskussioner, eksperimenter og implementering i det virkelige liv. I denne undersøgelse af maskinlæring og computervision undersøges og analyseres maskinlæringsapplikationer inden for computervision og fremtidsudsigterne forudsiges. Undersøgelsen har vist, at maskinlæringsstrategierne inden for computervision er overvågede, uovervågede og halvovervågede. De almindeligt anvendte algoritmer er neurale netværk, k-means clustering og support vector machine. De seneste anvendelser af maskinlæring inden for computer vision er objektdetektion, objektklassificering og udtrækning af relevante oplysninger fra billeder, grafiske dokumenter og videoer. Derudover anvendes Tensor flow, Faster-RCNN-Inception-V2-modellen og Anaconda-softwareudviklingsmiljøet til at identificere biler og personer i billeder.