La papa es un cultivo clave para abordar el hambre global, y el aprendizaje profundo está en el corazón de la agricultura inteligente. Aplicar el aprendizaje profundo (por ejemplo, series YOLO, ResNet, CNN, LSTM, etc.) en la producción de papa puede mejorar tanto el rendimiento como la eficiencia económica. Por lo tanto, investigar modelos eficientes de aprendizaje profundo para la producción de papa es de gran importancia. Las áreas de aplicación comunes para el aprendizaje profundo en la cadena de producción de papa, con el objetivo de mejorar el rendimiento, incluyen la detección y diagnóstico de plagas y enfermedades, monitoreo del estado de salud de las plantas, predicción del rendimiento y detección de calidad del producto, estrategias de riego, manejo de la fertilización y pronóstico de precios. El objetivo principal de esta revisión es compilar el progreso de la investigación del aprendizaje profundo en varios procesos de producción de papa y proporcionar orientación para futuras investigaciones. Específicamente, este documento categoriza las aplicaciones del aprendizaje profundo en la producción de papa en cuatro tipos, discutiendo e introduciendo las ventajas y desventajas del aprendizaje profundo en los campos mencionados, y se discuten las direcciones de investigación futura. Este documento proporciona una visión general del aprendizaje profundo y describe sus aplicaciones actuales en varias etapas de la cadena de producción de papa.