Se espera que el desarrollo de la inteligencia artificial (IA) y la tecnología de conducción autónoma mejoren los sistemas de transporte inteligente (ITS) al aumentar la seguridad vial y la movilidad, incrementar el flujo de tráfico y reducir las emisiones de vehículos en un futuro cercano. En un ITS, cada vehículo autónomo actúa como un nodo con sus propios modelos de aprendizaje automático locales, que pueden actualizarse utilizando datos recopilados localmente. Sin embargo, para que los vehículos autónomos aprendan modelos efectivos, deben ser capaces de aprender de fuentes de datos proporcionadas por otros vehículos e infraestructuras, utilizando métodos de aprendizaje innovadores para adaptarse a diversos escenarios de conducción autónoma. El aprendizaje distribuido juega un papel crucial en la implementación de estas tareas de aprendizaje en un ITS. Esta revisión proporciona una visión sistemática del aprendizaje distribuido en el campo de los ITS. Dentro de un ITS, los vehículos pueden participar en el aprendizaje distribuido interactuando con pares a través de encuentros oportunistas y agrupamiento. Este estudio examina los desafíos asociados con el aprendizaje distribuido, centrándose en cuestiones relacionadas con la privacidad y la seguridad en el intercambio de inteligencia de datos, la calidad y velocidad de la comunicación, y la confianza. A través de un análisis exhaustivo de estos desafíos, este estudio presenta posibles vías de investigación para abordar estos problemas, incluyendo la utilización de mecanismos de incentivos que se basan en la reputación, la adopción de técnicas de convergencia rápida y la integración del aprendizaje federado oportunista con la tecnología blockchain.