La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo progresivo que afecta a millones de personas en todo el mundo. La tomografía por emisión de positrones/resonancia magnética (PET/RM) es una técnica prometedora que combina las ventajas de PET y RM para proporcionar información funcional y estructural del cerebro. El aprendizaje profundo (DL) es un subcampo del aprendizaje automático (ML) e inteligencia artificial (AI) que se centra en el desarrollo de algoritmos y modelos inspirados en la estructura y función de las redes neuronales del cerebro humano. DL se ha aplicado a varios aspectos de la imagen PET/RM en EA, como la segmentación de imágenes, la reconstrucción de imágenes, el diagnóstico y la predicción, y la visualización de características patológicas. En esta revisión, presentamos los conceptos básicos y tipos de algoritmos de DL, como las redes neuronales de alimentación directa, las redes neuronales convolucionales, las redes neuronales recurrentes y los autoencoders. Luego resumimos las aplicaciones actuales y los desafíos de DL en la imagen PET/RM en EA, y discutimos las direcciones futuras y oportunidades para el diagnóstico automatizado, las predicciones de modelos y la medicina personalizada. Concluimos que DL tiene un gran potencial para mejorar la calidad y eficiencia de la imagen PET/RM en EA, y para proporcionar nuevas perspectivas sobre la fisiopatología y el tratamiento de esta enfermedad devastadora.