Under de senaste åren har datortillämpningarna genomgått en dramatisk omvandling från enkel databehandling till maskininlärning, tack vare tillgången till enorma datamängder som samlats in via sensorer och internet. Idén om maskininlärning visar och sprider fakta om att datorer har förmågan att förbättra sig själva med tiden. De västerländska länderna har visat stort intresse för maskininlärning, datorseende och mönsterigenkänning genom att anordna konferenser, workshoppar, kollektiva diskussioner, experiment och genomförande i verkligheten. I den här studien om maskininlärning och datorseende utforskas och analyseras tillämpningar av maskininlärning inom datorseende samt förutsägs framtidsutsikter. Studien har visat att maskininlärningsstrategierna inom datorseende är övervakade, oövervakade och halvövervakade. De vanligaste algoritmerna är neurala nätverk, k-means-kluster och stödvektormaskiner. De senaste tillämpningarna av maskininlärning inom datorseende är objektdetektering, objektklassificering och utvinning av relevant information från bilder, grafiska dokument och videor. Dessutom används Tensor flow, Faster-RCNN-Inception-V2-modellen och mjukvaruutvecklingsmiljön Anaconda för att identifiera bilar och personer i bilder.