Au cours des dernières années, les applications informatiques ont connu une transformation spectaculaire, passant du simple traitement de données à l’apprentissage automatique, grâce à la disponibilité et à l’accessibilité d’un énorme volume de données collectées par des capteurs et par Internet. L’idée de l’apprentissage automatique démontre et propage le fait que l’ordinateur a la capacité de s’améliorer avec le passage du temps. Les pays occidentaux ont montré un grand intérêt pour l’apprentissage automatique, la vision par ordinateur et la reconnaissance des formes en organisant des conférences, des ateliers, des discussions collectives, des expérimentations et des mises en œuvre réelles. Cette étude sur l’apprentissage automatique et la vision par ordinateur explore et évalue de manière analytique les applications de l’apprentissage automatique dans la vision par ordinateur et prédit les perspectives futures. L’étude a révélé que les stratégies d’apprentissage automatique en vision par ordinateur sont supervisées, non supervisées et semi-supervisées. Les algorithmes les plus couramment utilisés sont les réseaux neuronaux, le clustering k-means et le support vector machine. Les applications les plus récentes de l’apprentissage automatique en vision par ordinateur sont la détection d’objets, la classification d’objets et l’extraction d’informations pertinentes d’images, de documents graphiques et de vidéos. En outre, le flux Tensor, le modèle Faster-RCNN-Inception-V2 et l’environnement de développement logiciel Anaconda sont utilisés pour identifier les voitures et les personnes dans les images.