La optimización de los procesos de ingeniería de tejidos (TE) requiere modelos que puedan identificar relaciones entre los parámetros a optimizar y predecir resultados estructurales y de rendimiento de los procesos físicos y químicos. Actualmente, los métodos de Diseño de Experimentos (DoE) son comúnmente utilizados con fines de optimización, además de desempeñar un papel importante en el control de calidad estadístico y la aleatorización sistemática para la planificación de experimentos. El DoE solo se utiliza para el análisis y optimización de datos cuantitativos (es decir, basados en números, contables o medibles), mientras que carece de adecuación para el análisis de datos de imágenes y de alta dimensionalidad. El aprendizaje automático (ML) ofrece un considerable potencial para el análisis de datos, proporcionando una mayor flexibilidad en cuanto a los datos que se pueden utilizar para la optimización y las predicciones. Su aplicación en los campos de los biomateriales y la TE ha sido explorada recientemente. Esta revisión presenta los diferentes tipos de metodologías de DoE y los métodos apropiados que se han utilizado en aplicaciones de TE. A continuación, se presentan los algoritmos de ML que se utilizan ampliamente para la optimización y las predicciones, junto con sus ventajas y desventajas. Se revisa el uso de diferentes algoritmos de ML para aplicaciones de TE, con un enfoque particular en su uso para optimizar los procesos de bioimpresión 3D para la fabricación de constructos de ingeniería de tejidos. Por último, la revisión discute las perspectivas futuras y presenta la posibilidad de integrar el DoE y el ML en un sistema que brindaría oportunidades a los investigadores para lograr mayores mejoras en el campo de la TE.