Se presenta una revisión exhaustiva de los avances recientes en la aplicación del aprendizaje por refuerzo profundo (DRL) a problemas de dinámica de fluidos. Se examinan a fondo las aplicaciones en control de flujo y optimización de formas, los campos principales donde se utiliza actualmente el DRL. Además, la revisión introduce tendencias de investigación emergentes en automatización dentro de la dinámica de fluidos computacional, un campo prometedor para mejorar la eficiencia y la fiabilidad del análisis numérico. Se hace hincapié en las estrategias desarrolladas para superar los desafíos en la aplicación del DRL a problemas de ingeniería complejos y del mundo real, como la eficiencia de datos, la turbulencia y la observabilidad parcial. Específicamente, se discuten las implementaciones del aprendizaje por transferencia, el aprendizaje por refuerzo multiagente y el proceso de decisión de Markov parcialmente observable, ilustrando cómo estas técnicas pueden proporcionar soluciones a tales problemas. Finalmente, se destacan las direcciones futuras de investigación que podrían avanzar aún más en la integración del DRL en la investigación de dinámica de fluidos.