La creación de una simulación precisa del crecimiento urbano futuro se considera uno de los desafíos más importantes de las últimas cinco décadas que involucra modelado espacial dentro de un entorno SIG. A pesar de que los procesos de densificación construida, o transiciones de baja a alta densidad, son críticos para los responsables de políticas preocupados por limitar la expansión, la literatura sobre modelos para el estudio urbano revela que la mayoría de ellos se centra únicamente en el proceso de expansión. Aunque la mayoría de estos modelos tienen objetivos similares, difieren en términos de implementación y supuestos teóricos. Los modelos de autómatas celulares (AC) han demostrado ser exitosos en la simulación de dinámicas de crecimiento urbano y en la proyección de escenarios futuros a múltiples escalas. Este artículo tiene como objetivo revisar los modelos de AC urbanos para determinar los diversos enfoques para una simulación y predicción realista de la densificación urbana. Se describen las características generales de los modelos de AC con respecto al análisis de varios factores impulsores que influyen en los escenarios urbanos. Este artículo también analiza críticamente varios modelos híbridos basados en AC, como la cadena de Markov, la red neuronal artificial (RNA) y la regresión logística (RL). Las limitaciones y las incertidumbres de los modelos de AC, a saber, el tamaño de la celda vecina, pueden minimizarse cuando se integran con modelos empíricos y estadísticos. El resultado de esta revisión sugiere que es útil utilizar modelos de AC con regresión logística multinomial (RLM) para analizar y modelar los efectos de varios factores impulsores relacionados con la densificación urbana. Se pueden lograr simulaciones realistas cuando se integran etiquetas de clase de multidensidad en el proceso de modelado.