Umjetne neuronske mreže predstavljaju pokušaj imitiranja građe ljudskog mozga pri rješavanju problema koje ljudi s lakoćom rješavaju. U sklopu završnog rada proučene su duboke neuronske mreže te njihova primjena u području računalnog vida, konkretnije u raspoznavanju objekata na slikama. Proučene se različite arhitekture modela te je formiran jednostavan model duboke mreže. Nad tim modelom provedeni su postupci regularizacije s ciljem poboljšavanja sposobnost generalizacije modela. Model je postizao dobre rezultate nad skupom za učenje, ali nakon određenog broja epoha mu se točnost nad skupom za provjeru počela smanjivati. To je bio očit znak da se model počeo specijalizirati za podatke iz skupa za učenje. Kako bi se to umanjilo implementirane su 3 tehnike regularizacije: generiranje podataka, rano zaustavljanje te isključivanje čvorova. Posljedice su odmah bile vidljive, učinkovitost modela nad skupom za učenje se malo smanjila, ali učinkovitost nad skupom za provjeru se poboljšala. Rano zaustavljanje je spriječilo prenaučenost modela jer se proces učenja prekine čim greška na skupu za provjeru počne rasti. Generiranje podataka i isključivanje čvorova su povećali dotad najbolju točnost nad skupom za provjeru. Nakon učenja model s podešenim parametrima ispitan je na skupu za ispitivanje, nad kojim je ostvario točnost od 93,39\%, što je poprilično dobar rezultat.