Umělé neuronové sítě jsou v dnešní době široce rozšířený algoritmus, který se úspěšně využívá v mnohých náročných aplikacích. Na rozdíl od von Neumannovských architektur nevyžadují specifikování pravidel na zpracování vstupních dat, což umožňuje dosahovat uspokojivých výsledků i v aplikacích, které nelze modelovat analyticky. Tato práce se zabývá využitím neuronových sítí v aplikacích souvisejících s optikou. Nejprve jsou pomocí neuronové sítě modelovány transformace polarizačního stavu způsobené průchodem kroucenými nematickými tekutými krystaly. Následně jsou využity konvoluční neuronové sítě upravující rozlišení obrazu na počítání izolovaných emitorů ovlivněných difrakčním limitem a šumem.Artificial neural networks are nowadays widely used algorithms, successfully utilized in many challenging applications. Unlike the von Neumann architectures, they do not require specifying the exact rules for processing the input data, which allows for achieving sufficient results even in applications, where all analytical models fail. In this thesis, the possibility of utilizing these networks for optics related applications is explored. Firstly, we use the deep neural networks for modelling the transformation of the polarization state of light propagated through twisted nematic liquid crystal modules. Then, convolutional neural networks enhancing images affected by the diffraction limit and noise are utilized for counting point-like emitters.