Las redes neuronales convolucionales (CNN) y su aplicación en la ganadería tienen expresiones matemáticas detalladas, que generalmente giran en torno a qué tan bien mapean los datos de entrada, como imágenes o fotogramas de video de animales, a salidas significativas como el estado de salud, la clase de comportamiento y la identificación. De igual manera, la visión por computadora y los modelos de aprendizaje profundo son impulsados por CNN para actuar de manera inteligente en la mejora de la productividad y la gestión animal para una ganadería sostenible. En la ganadería, las CNN juegan un papel vital en la gestión y monitoreo de la salud y productividad del ganado debido a su alta precisión de rendimiento en el análisis de imágenes y videos. El monitoreo de la salud de los animales es importante para su bienestar, abundancia de alimentos, seguridad y productividad económica. Este documento tiene como objetivo revisar exhaustivamente los avances recientes y las aplicaciones de modelos relevantes basados en CNN para el monitoreo de la salud del ganado, abarcando la detección de sus diversas enfermedades y la clasificación de su comportamiento, para obtener una ganancia en la gestión general. Se seleccionaron artículos relevantes con varios resultados experimentales que abordan la detección de animales, la localización, el seguimiento y el monitoreo del comportamiento, validando la alta precisión y eficiencia de las CNN. Los modelos prominentes de detección de objetos basados en anclas, como R-CNN (series), YOLO (series) y SSD (series), y los modelos de detección de objetos sin anclas, como los basados en puntos clave y en puntos de anclaje, se utilizan con frecuencia, demostrando una gran versatilidad y robustez en diversas tareas. A partir del análisis, es evidente que las CNN han realizado contribuciones significativas a la ganadería. Datos etiquetados limitados, variación en los datos, imágenes de baja calidad o ruidosas, fondos complejos, demanda computacional, modelos específicos de especies, alto costo de implementación, escalabilidad, modelado de comportamientos complejos y compatibilidad con los sistemas actuales de gestión agrícola son buenos ejemplos de varios desafíos notables al aplicar CNN en la ganadería. Mediante esfuerzos de investigación continuos, estos desafíos pueden abordarse para la realización de una ganadería sostenible.