Ova doktorska disertacija proučava primjenu konvolucijskih neuronskih mreža za problem semantičke segmentacije velikih slika. Fokus je na obradi slika pribavljenih iz vozila u pokretu. To predstavlja dodatan izazov jer se objekti pojavljuju na širokom rasponu veličina, a vrlo je važno da metoda radi dobro kako na velikim tako i na malim objektima u slici. Disertacija započinje uvodom u problem semantičke segmentacije, izazovima i njenom vezom s problemom detekcije objekata. U idućem poglavlju predstavljene su konvolucijske neuronske mreže i povezani koncepti iz strojnog učenja te usporedba DenseNet i ResNet arhitekture. Iduća tri poglavlja predstavljaju predložene metode i doprinose rada. Prvo je predstavljen konvolucijski model koji postiže reprezentaciju invarijantnu na mjerilo pomoću stereoskopske dubine i slikovne piramide. Time je umanjen problem učenja istog objekta na čitavom rasponu mjerila. Zatim je predstavljena efikasna asimetrična arhitektura za gustu predikciju na velikim slikama zasnovana na gusto povezanim konvolucijskim značajkama te jednostavnim modulima za piramidalno sažimanje te ljestvičasto naduzorkovanje. Arhitektura je vremenski i memorijski efikasna i pogodna za izvođenje i stvarnom vremenu. Na kraju je predstavljena metodologija za učenje semantičke segmentacije na višedomenskim podatcima u sklopu sudjelovanja na natjecanju Robust Vision Challenge 2018. Fokus disertacije je primjena dubokih konvolucijskih modela odnosno konvolucijskih neuronskih mreža za problem semantičke segmentacije. Glavni doprinosi disertacije su sljedeći: 1. modul za izlučivanje invarijantnih konvolucijskih reprezentacija utemeljen na gustom odabiru mjerila s obzirom na lokalnu stereoskopsku dubinu; 2. učinkovita asimetrična arhitektura za semantičku segmentaciju koja se sastoji od složenog gusto povezanog modula za raspoznavanje te jednostavnih modula za piramidalno sažimanje te ljestvičasto naduzorkovanje; 3. metodologija za učenje semantičke segmentacije na višedomenskim podatcima.