Los robots paralelos, incluidos los robots paralelos impulsados por cables (CDPR), se utilizan ampliamente debido a su alta rigidez, precisión y alto rendimiento dinámico. Sin embargo, su arquitectura de bucle cerrado de múltiples cadenas presenta un movimiento acoplado no lineal y de múltiples grados de libertad, así como sensibilidad a errores geométricos, lo que resulta en desafíos significativos en su modelado, compensación de errores y control. El auge de la tecnología de aprendizaje automático ha proporcionado un enfoque prometedor para abordar estos problemas al aprender relaciones complejas a partir de datos, lo que permite la predicción, compensación y adaptación en tiempo real. Este artículo revisa el progreso de las aplicaciones típicas de los métodos de aprendizaje automático en robots paralelos, abarcando cuatro áreas principales: modelado cinemático, compensación de errores, control de seguimiento de trayectorias, así como otras aplicaciones emergentes como la síntesis de diseño, planificación de movimientos y diagnóstico de fallos de CDPR. Se resumen las tecnologías clave utilizadas, su arquitectura de implementación, las dificultades técnicas resueltas, las ventajas de rendimiento y el ámbito de aplicación. Finalmente, la revisión esboza los desafíos actuales y las direcciones futuras. Se propone que el modelado físico de aprendizaje híbrido, el aprendizaje por transferencia, el despliegue ligero y la colaboración interdisciplinaria serán las direcciones clave para avanzar en la integración del aprendizaje automático y los sistemas robóticos paralelos.