U ovom diplomskom radu detaljno je istražen problem prepoznavanja registarskih oznaka, pri čemu su implementirana i uspoređena tri različita algoritma: YOLO, Faster R-CNN i SSD, uz implementaciju vlastite neuronske mreže. Cilj rada bio je istražiti performanse ovih algoritama u zadatku detekcije registarskih oznaka te analizirati njihovu otpornost na degradirane slike. Modeli su trenirani na skupu od 433 slike koje sadrže registarske oznake, dok je dodatno uključeno 45 slika bez oznaka kao negativni primjeri, s ciljem poboljšanja otpornosti modela na lažne detekcije. Nakon inicijalnog treniranja na čistim podacima, modeli su validirani i testirani na slikama s dodanim Gaussovim i salt & pepper šumom kako bi se procijenila njihova otpornost na realne uvjete degradacije slike. Analiza rezultata pokazala je da SSD algoritam ostvaruje najviše rezultate u preciznosti, dok YOLO postiže bolju brzinu detekcije. SSD se pokazao otpornijim na šum, dok je YOLO osjetljiviji na degradirane slike, ali i dalje održava solidne rezultate. Faster R-CNN je dao balansirane rezultate između SSD-a i YOLO-a, no pokazao je osjetljivost na šum, što ga čini manje pouzdanim u uvjetima degradirane slike. Vlastita neuronska mreža postigla je solidne rezultate u prepoznavanju registarskih oznaka, no zbog slabijih performansi u određivanju bounding boxova (što se vidi po nižem IoU rezultatu), pokazalo se da je korištenje specijaliziranih arhitektura poput SSD-a, YOLO-a i Faster R-CNN-a bolja opcija za ovaj zadatak. Uočeno je da otpornost modela na šum varira, pri čemu se SSD pokazao najstabilnijim, dok YOLO nudi brži, ali osjetljiviji pristup. Rezultati ukazuju na to da se performanse svih modela mogu dodatno poboljšati prilagodbom hiperparametara, augmentacijom podataka te korištenjem većih i raznovrsnijih skupova podataka. Ova istraživanja mogu poslužiti kao smjernice za buduća unaprjeđenja algoritama za detekciju registarskih oznaka, osobito u realnim uvjetima gdje degradacija slike može utjecati na konačne rezultate.