La visibilidad atmosférica es un elemento meteorológico crucial que impacta en el monitoreo de la contaminación del aire urbano, el transporte público y la seguridad militar. Los métodos tradicionales de detección de visibilidad, principalmente manuales e instrumentales, han sido costosos e imprecisos. Con los avances en la ciencia de datos y la computación, las tecnologías de detección de visibilidad basadas en aprendizaje profundo han surgido rápidamente como un foco de investigación en la ciencia atmosférica. Este artículo revisa sistemáticamente las aplicaciones de varios modelos de aprendizaje profundo: Redes Neuronales Convolucionales (CNN), Redes Neuronales Recurrentes (RNN), Redes Generativas Antagónicas (GAN) y redes Transformer, en la estimación, predicción y mejora de la visibilidad. Se discuten las características de cada modelo y los métodos de aplicación, destacando la eficiencia de las CNN en la extracción de características espaciales, las RNN en el seguimiento temporal, las GAN en la restauración de imágenes y los Transformers en la captura de dependencias a largo plazo. Además, el artículo aborda desafíos críticos en el campo, incluyendo la calidad de los conjuntos de datos, la optimización de algoritmos y las barreras de aplicación práctica, proponiendo direcciones futuras de investigación, como el desarrollo de conjuntos de datos a gran escala y etiquetados con precisión, estrategias de aprendizaje innovadoras y una mejor interpretabilidad del modelo. Estos hallazgos destacan el potencial del aprendizaje profundo para mejorar las técnicas de detección de visibilidad atmosférica, proporcionando valiosos conocimientos en la literatura y contribuyendo a los avances en el campo de la observación meteorológica y la seguridad pública.