Náplní závěrečné práce je klasifikace spektrálního průběhu jednotlivých obrazových bodů v pořízených multispektrálních (MS) snímcích zvolené scény - travnatého porostu a stromů v různých částech roku - pomocí metod strojového učení a umělých neuronových sítí. Teoretická část práce uvádí základy vizualizace MS snímků, metod strojového učení, problematiku segmentace vícerozměrných datových sad a příklady postupů a algoritmů vhodných pro tuto úlohu. V experimentální části je provedena implementace těchto algoritmů na pořízených MS snímcích. Získané třídy objektů jsou porovnány se spektrální databází. Tyto výstupy poté slouží pro zhodnocení zdravotního stavu snímané zeleně.The scope of the thesis is the classification of the spectral response of individual pixels acquired by a multispectral (MS) imaging. A selected scene -- lawn with grass and trees observed in different parts of the year -- is analysed using machine learning and neural network algorithms. The theoretical part of the work presents the basics of MS image visualisation, machine learning methods, the problem of segmentation of multidimensional data sets and examples of procedures and algorithms suitable for this task. In the experimental part, the implementation of these algorithms is performed on acquired MS images. Obtained object classes are compared with a spectral database. These outputs are then used to evaluate the vitality of inspected plants.