Con el crecimiento continuo de la población mundial y la creciente demanda de rendimiento de cultivos, mejorar la productividad de los cultivos ha surgido como un objetivo de investigación crucial a escala global. Las malas hierbas, siendo uno de los principales factores abióticos que afectan al rendimiento de los cultivos, contribuyen a aproximadamente el 13.2% de la pérdida anual de alimentos. En los últimos años, la tecnología de Vehículos Aéreos No Tripulados (UAV) ha desarrollado rápidamente y su madurez ha llevado a una amplia utilización en la mejora de la productividad de los cultivos y la reducción de los costos de gestión. Concurrentemente, la tecnología de aprendizaje profundo se ha convertido en una herramienta prominente en el reconocimiento de imágenes. Las Redes Neuronales Convolucionales (CNNs) han logrado resultados notables en varios dominios, incluida la agricultura, como la detección de malas hierbas, la identificación de plagas, el conteo de plantas/frutas, la clasificación de madurez, etc. Este estudio proporciona una visión general del desarrollo de plataformas UAV, la clasificación de plataformas UAV y sus ventajas y desventajas, así como los tipos y características de los datos recopilados por sensores de visión comunes utilizados en la agricultura, y discute la aplicación de la tecnología de aprendizaje profundo en la detección de malas hierbas. El manuscrito presenta los avances actuales en la tecnología UAV y CNNs en tareas de manejo de malas hierbas, enfatizando las limitaciones existentes y las tendencias futuras en su proceso de desarrollo para ayudar a los investigadores que trabajan en la aplicación de técnicas de aprendizaje profundo en el manejo de malas hierbas.