La predicción del riesgo crediticio es fundamental para la estabilidad financiera y el cumplimiento normativo, guiando las decisiones de préstamo y la gestión del riesgo de cartera. Si bien los enfoques tradicionales como la regresión logística y los modelos basados en árboles han sido durante mucho tiempo el estándar de la industria, los recientes avances en el aprendizaje profundo (DL) han introducido arquitecturas capaces de capturar complejidades no lineales, dinámicas temporales y dependencias relacionales en los datos de los prestatarios. Este estudio proporciona una revisión exhaustiva de los métodos de DL aplicados a la predicción del riesgo crediticio, abarcando perceptrones multicapa, redes neuronales recurrentes y convolucionales, transformadores y redes neuronales de grafos. Examinamos conjuntos de datos de referencia y a gran escala, destacamos aplicaciones revisadas por pares en préstamos corporativos, de consumo y entre pares, y evaluamos los beneficios del DL en relación con el aprendizaje automático clásico. Además, evaluamos críticamente los desafíos clave e identificamos oportunidades emergentes. Al sintetizar métodos, aplicaciones y desafíos abiertos, este documento ofrece una hoja de ruta para avanzar en el aprendizaje profundo confiable en la modelización del riesgo crediticio y cerrar la brecha entre la investigación académica y la implementación en la industria.