我希望能够通过这个回答，说明几个概念之间的关系：包括计算机视觉（CV）、传统CV算法、机器学习、深度学习，以及其他可能涉及的概念。
先说最基础的概念，计算机视觉。根据维基百科的定义：
计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。
其中最后一句话，我想稍微做些扩展：计算机视觉的范畴，不仅是进行“图像处理”，还可以用于图像中的“信息抽取”，甚至是图像内容的“创造和生成”。确实，最初的计算机视觉算法，一大部分都关注于图像处理，比如将光学传感器获取的信号转换为人类容易理解的图像；时至今日，寻常场景中的图像处理算法已经非常成熟，所以计算机视觉界的研究兴趣更多地集中在高级语义理解（如分类、检测、分割等问题）甚至是更加困难的图像生成问题上。
如果题主所说的“传统CV算法”指的是这些已经被well-studied，甚至固化为硬件的算法，那么机器学习甚至深度学习（深度学习是机器学习的一个子集）就没有什么用武之地。但是题主举了个SVM的例子，于是我判断，题主也许并没有搞清楚机器学习和传统方法的分界在什么地方，以及为什么计算机视觉领域（甚至整个人工智能领域）需要引入机器学习方法来解决问题。
所有人工智能（包括计算机视觉）问题，大致都可以描述为这样一个数学问题：给定输入 和输出 ，寻找一个合适的函数 ，使得 能够最好地被满足。有些时候，这个函数很容易找出来。例如一张输入输入和输出 是一些关键点在两个不同观测视角下的坐标，而已知这两个视角之间满足某种仿射变换，那么就可以通过将定义为通用仿射变换，随后以这些采样到的关键点作为条件，求解仿射变换中的参数。在这个简单的理论基础上，发展出了若干图像配准算法，例如著名的张正友标定法[1]，至今仍然被广泛应用于实际场景。这就是传统CV算法的典型案例。
那么为什么要引入机器学习呢？因为在许多情况下，这个的形式很难被手工定义出来。此时为了解决问题，人们只能进行各种假设，比如 可以通过某种函数形式 去逼近。举一个例子：我们要把一张RGB图像转化为一张灰度图像，但是没有任何方法能够建立在严格的数学证明上。此时，我们只能根据经验定义一个近似的线性函数：，然后根据经验和少量数据来确定其中的系数值 ——如今常用的一组系数是。注意，没有人证明这个线性函数一定是最优的，但是它能够在绝大部分情况下工作得很好，于是这个线性函数就一直沿用下来，成为CV通用的标准。
再说一个更复杂的例子：如果我们要从一张RGB图像 中识别它的语义标签 ，那么至少在当前的科技水平下，我们甚至连应该长什么样都不知道。于是人们采用了统计方法，从图像中抽取若干特征，然后使用来做近似，其中是可以学习的参数。由于特征的维度可能很高，因此最好能有大量的训练样本用于确定参数的值。为了降低这些依赖，人们设计了许多方法，其中题主提到的SVM就是一种基于松弛损失函数的方法，它能够很好地利用有限样本处理高维数据，减少模型的结构风险[2]以及过拟合等副作用。
最后是深度学习。上述机器学习方法，对于特征的设计提出了很高的要求。在计算机视觉领域，本世纪的前10年，见证了大量手工设计的图像特征[3][4]，而这些方法在2011年前后遇到了不小的瓶颈。深度学习的思想，是采用更加自由的方式来定义 ，使得它（在数据量充足的情况下）更容易适应不同的问题。倒退10-15年，我们很难想象，一套相同的模型（卷积神经网络或者transformer）能够适应各类不同的视觉问题（如识别类、生成类、恢复类等）。这些都归功于深度学习：它提供了更大的特征空间，并且配套了一系列方法来进行复杂的优化。最后要强调的是，深度学习是机器学习的一个子集，最好不要把两者作为互斥的概念来讨论问题。
如果理解这些内容，我们就能够讨论题面了。传统CV算法和统计学习方法各有特点：前者应用范围受限，但是对数据依赖度低、求解比较稳定；而后者则恰好相反。在实际应用中需要采用什么方法，要看具体场景的特点。当然，不仅是问题本身，容错率、硬件配置、数据的数量和质量等，都会影响算法的选择；而根据场景选择方案，判断什么能做什么不能做，也是AI算法开发人员最需要的技能：这项技能比调参更难，收益也更大得多。
最后我要说，CV是永恒的问题，传统方法是固化下来的方法，而统计学习是暂时性的解决方案，是当前技术水平下的无奈之举——我们很难相信，这些方法会是CV或者AI的最终解决方案。归根结底，如果一个问题能够用传统方法来解决，说明人类对它的理解已经足够深入，因而这些传统方法值得被长期沿用下去（除非某些假设被推翻或者出于计算量等考虑需要做近似）。也就是说，传统方法大概率不会被替代，而现行的统计学习方法必须被替代，只是不知道下次革命会发生在什么时候。
参考
[1]Zhang Z. A flexible new technique for camera calibration[J]. IEEE Transactions on pattern analysis and machine intelligence, 2000, 22(11): 1330-1334.
[2]Vapnik V. The nature of statistical learning theory[M]. Springer science & business media, 1999.
[3]Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision, 2004, 60(2): 91-110.
[4]Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]//2005 IEEE computer society conference on computer vision and pattern recognition (CVPR'05). Ieee, 2005, 1: 886-893.