W niniejszej pracy omówiono problem automatycznego rozpoznawania zmian chorobowych jaskry na obrazach tarczy nerwu wzrokowego wykonanych za pomocą funduskamery, bez użycia mydriatyków. Przedstawiono definicję jaskry i najczęściej używane sposoby automatycznej klasyfikacji obrazów. Wprowadzono pojęcie sieci neuronowych oraz zaprezentowano najbardziej znane modele sieci konwolucyjnych. Omówiono zagadnienie transfer learningu oraz wytwarzania sztucznych obrazów uczących. Przeprowadzono eksperymenty polegające na poszukiwaniu najskuteczniejszego klasyfikatora obrazów. Klasyfikatory te bazowały na konwolucyjnych sieciach neuronowych, a do ich stworzenia użyto transfer learningu oraz data augmentation. Do tworzenia modeli używano dwóch bibliotek: caffe oraz fastai. Biblioteki te zostały ze sobą porównane pod kątem użytkowania oraz wyników klasyfikatora na nich osiągniętych. Przekonano się, że biblioteka fastai jest nie tylko prostsza w obsłudze, ale także posiada implementację innowacyjnych algorytmów. Dzięki nim wyniki otrzymywane z modeli stworzonych przy użyciu fastai są lepsze od wyników uzyskanych przy użyciu caffe. Ostateczne wartości miar oceny najlepszego klasyfikatora wynosiły 78,1 ± 6,4% dla czułości, 78,7 ± 1,9% dla dokładności, 75,2 ± 5,1% dla precyzji, 79,2 ± 6,0% dla specyficzności.