Tietokonesovellukset ovat muutaman viime vuoden aikana muuttuneet dramaattisesti yksinkertaisesta tietojenkäsittelystä koneoppimiseen, kiitos antureiden ja internetin kautta kerätyn valtavan tietomäärän saatavuuden ja saavutettavuuden. Koneoppimisen idea osoittaa ja levittää sitä tosiasiaa, että tietokoneella on kyky parantaa itseään ajan myötä. Länsimaat ovat osoittaneet suurta kiinnostusta koneoppimista, tietokonenäköä ja hahmontunnistusta kohtaan järjestämällä konferensseja, työpajoja, yhteisiä keskusteluja, kokeiluja ja käytännön toteutusta. Tässä koneoppimista ja tietokonenäköä käsittelevässä tutkimuksessa tutkitaan ja arvioidaan analyyttisesti koneoppimisen sovelluksia tietokonenäön alalla ja ennustetaan tulevaisuuden näkymiä. Tutkimuksessa on todettu, että konenäön koneoppimisstrategiat ovat valvottuja, valvomattomia ja puolivalvottuja. Yleisesti käytettyjä algoritmeja ovat neuroverkot, k-means-klusterointi ja tukivektorikone. Konenäön koneoppimisen viimeisimpiä sovelluksia ovat kohteiden havaitseminen, kohteiden luokittelu ja olennaisen tiedon poimiminen kuvista, graafisista asiakirjoista ja videoista. Lisäksi Tensor flow, Faster-RCNN-Inception-V2-malli ja Anaconda-kehitysympäristö, joita käytetään autojen ja henkilöiden tunnistamiseen kuvista.