La superresolución de imágenes se ha convertido recientemente en una tecnología importante, especialmente en los campos médico e industrial. Por lo tanto, se ha dedicado mucho esfuerzo al desarrollo de algoritmos de superresolución de imágenes. Un método reciente utilizado fue el de algoritmos basados en redes neuronales convolucionales (CNN). La red neuronal convolucional de superresolución (SRCNN) fue pionera en los algoritmos basados en CNN, y ha seguido mejorando hasta hoy a través de diferentes técnicas. Las técnicas incluyeron el tipo de funciones de pérdida utilizadas, el módulo de aumento de muestreo desplegado y las estrategias de diseño de red adoptadas. En este documento, se seleccionaron un total de 18 artículos a través del estándar PRISMA. Se encontraron un total de 19 algoritmos en los artículos seleccionados y se revisaron. Se revisaron y compararon algunos aspectos, incluidos los conjuntos de datos utilizados, las funciones de pérdida utilizadas, las métricas de evaluación aplicadas, el módulo de aumento de muestreo desplegado y las técnicas de diseño adoptadas. Para cada módulo de aumento de muestreo y técnicas de diseño, también se resumieron sus respectivas ventajas y desventajas.