In den letzten Jahren haben sich die Computeranwendungen dank der Verfügbarkeit und Zugänglichkeit riesiger Datenmengen, die durch Sensoren und das Internet gesammelt werden, dramatisch von der einfachen Datenverarbeitung zum maschinellen Lernen gewandelt. Die Idee des maschinellen Lernens demonstriert und propagiert die Tatsache, dass Computer die Fähigkeit haben, sich im Laufe der Zeit selbst zu verbessern. Die westlichen Länder haben großes Interesse an den Themen maschinelles Lernen, Computer Vision und Mustererkennung gezeigt, indem sie Konferenzen, Workshops, kollektive Diskussionen, Experimente und die Umsetzung in die Praxis organisiert haben. In dieser Studie über maschinelles Lernen und Computersehen werden die Anwendungen des maschinellen Lernens im Bereich des Computersehens untersucht und analytisch bewertet sowie Zukunftsaussichten prognostiziert. Die Studie hat ergeben, dass die Strategien des maschinellen Lernens im Bereich des Computersehens überwacht, unbeaufsichtigt und halbüberwacht sind. Die am häufigsten verwendeten Algorithmen sind neuronale Netze, k-means clustering und support vector machine. Die neuesten Anwendungen des maschinellen Lernens in der Computer Vision sind Objekterkennung, Objektklassifizierung und Extraktion relevanter Informationen aus Bildern, grafischen Dokumenten und Videos. Darüber hinaus werden Tensor Flow, das Modell Faster-RCNN-Inception-V2 und die Softwareentwicklungsumgebung Anaconda verwendet, um Autos und Personen in Bildern zu identifizieren.