Cílem bakalářské práce bylo porovnat vybrané per-pixel klasifikátory pro identifikaci zástavby. V rámci pracovního postupu byl vytvořen podrobný popis jednotlivých klasifikátorů a na vybraných datech bylo provedeno jejich testování. Testovanými algoritmy byly klasifikátory minimální vzdálenosti, pravoúhelníků, maximální pravděpodobnosti a Mahalanobisovy vzdálenosti. U klasifikátoru s proměnnou (v tomto případě u klasifikátoru pravoúhelníků) bylo vyzkoušeno vícero možností. Bylo provedeno statistické hodnocení přesnosti klasifikace, a to formou vytvoření chybové matice a výpočtu Kappa koeficientu. Chybové matice obsahovaly procentuální hodnoty vypočtených přesností a zastoupení chyb. Podle těchto údajů bylo dále provedeno slovní zhodnocení jednotlivých klasifikátorů s výběrem nejvhodnějšího pro konkrétní druh dat. Následně byly pro vybraný snímek vyzkoušeny postklasifikační úpravy formou majoritní filtrace. Nakonec byla s nejvhodnějším klasifikátorem pro vybranou datovou sadu provedena identifikace zástavby ve větším plošném rozsahu. Výsledky práce lze využít pro další studijní a pracovní účely, jako je například monitorování změn rozlohy zastavěného území v časovém horizontu.The target of this bachelor thesis was to compare the selected per-pixel classifiers which are used to identify built-up areas in digital images. In the scope of work process a detailed description of each classifier was created and they were subsequently tested. The tested algorithms were a minimum distance classifier, a parallelepipeds classifier, a maximum likelihood classifier and a Mahalanobis distance classifier. Several options for classifier with the variable were tested (in this case, the parallelepiped classifier). A statistical evaluation of the accuracy of classification was performed by creating an error matrix and calculating Kappa coefficient. The error matrix contains percentages of the statistical precision and number of errors. According to these data a verbal assessment of the classifiers was made and the best classifier for a particular dataset was chosen. The classified images were adjusted by the majority filter. Another task was to implement the most appropriate classifier for a selected dataset to identify built-up area in the greater areal extent. The results of the work may be used for planning studies, e.g. monitoring changes in extent of built up area.