Tato práce shrnuje a konsoliduje autorův publikovaný výzkum týkajicíce se využití umělé intelicekce v oblasti kvantového zpracování informace. První výzkumný problém představuje umělé neuronové sítě jako účinné nelineární svědky provázanosti schopné maximalizovat úspěšnost klasifikace při současném snížení požadovaných zdrojů pro třídu obecných dvou-qubitovových stavů. Druhý výzkumný problém popisuje využití umělých neuronových sítí v navazujícím výzkumu zaměřeném na kvantifikaci kvantově provázaných obecných dvou-qubitových stavů. Poslední výzkumný problém představuje zpětnovazebné učení reprezentované algoritmem proximální optimalizací politiky (PPO) jako efektivní řešení hledání cest v kvantových sítích.This thesis summarizes and consolidates the authors' published research on machine learning applications in quantum information processing. The first research task presents artificial neural networks as potent nonlinear entanglement witnesses capable of maximizing the classification success rate for all general two-qubit states while reducing required resources. The second research task describes follow-up research focused on entanglement quantification of general two-qubit states using artificial neural networks. The last research task promotes reinforcement learning represented by the proximal policy optimization (PPO) algorithm as an efficient solution to route finding in quantum networks.