De laatste jaren hebben de computertoepassingen een dramatische transformatie doorgemaakt van eenvoudige gegevensverwerking naar machine learning, dankzij de beschikbaarheid en toegankelijkheid van enorme hoeveelheden gegevens verzameld via sensoren en internet. Het idee van machinaal leren demonstreert en propageert de feiten dat de computer het vermogen heeft zichzelf te verbeteren met het verstrijken van de tijd. De westerse landen hebben grote belangstelling getoond voor het onderwerp van machinaal leren, computervisie en patroonherkenning via het organiseren van conferenties, workshops, collectieve discussie, experimenten en real life implementatie. In deze studie over machinaal leren en computervisie worden de toepassingen van machinaal leren in computervisie verkend en analytisch geëvalueerd en worden toekomstperspectieven voorspeld. Uit de studie is gebleken dat de strategieën voor machinaal leren in computervisie bestaan uit supervised, un-supervised en semi-supervised. De meest gebruikte algoritmen zijn neurale netwerken, k-means clustering, en support vector machine. De meest recente toepassingen van machinaal leren in computervisie zijn objectdetectie, objectclassificatie, en extractie van relevante informatie uit beelden, grafische documenten en video’s. Bovendien, Tensor flow, Faster-RCNN-Inception-V2 model, en Anaconda software-ontwikkelomgeving gebruikt om auto’s en personen te identificeren in beelden.