Durante las últimas décadas, la detección de defectos en la superficie ha atraído una atención significativa como una tarea desafiante. Hay clases específicas de problemas que pueden resolverse utilizando técnicas tradicionales de procesamiento de imágenes. Sin embargo, estas técnicas luchan con texturas complejas en los fondos, ruido y diferencias en las condiciones de iluminación. Como solución a este problema, el aprendizaje profundo ha surgido recientemente, motivado por dos factores principales: la accesibilidad al poder de cómputo y la rápida digitalización de la sociedad, que permite la creación de grandes bases de datos de muestras etiquetadas. Este documento de revisión tiene como objetivo resumir brevemente y analizar el estado actual de la investigación sobre la detección de defectos utilizando métodos de aprendizaje automático. En primer lugar, se discute la detección de defectos en la superficie de productos industriales basada en aprendizaje profundo desde tres perspectivas: supervisada, semi-supervisada y no supervisada. En segundo lugar, se discute el estado actual de la investigación de métodos de detección de defectos con aprendizaje profundo para imágenes de rayos X. Finalmente, resumimos los desafíos más comunes y sus posibles soluciones en la detección de defectos en la superficie, como la identificación de muestras desequilibradas, el tamaño limitado de las muestras y el procesamiento en tiempo real.