Actualmente, el volumen de contenido sensible en Internet, como la pornografía y la pornografía infantil, y la cantidad de tiempo que las personas pasan en línea (especialmente los niños) han llevado a un aumento en la distribución de dicho contenido (por ejemplo, imágenes de niños siendo abusados sexualmente, videos en tiempo real de dicho abuso, actividades de preparación, etc.). Por lo tanto, es esencial contar con herramientas de TI efectivas que automatizan la detección y bloqueo de este tipo de material, ya que el filtrado manual de grandes volúmenes de datos es prácticamente imposible. El objetivo de este estudio es llevar a cabo una revisión exhaustiva de diferentes estrategias de aprendizaje para la detección de contenido sensible disponibles en la literatura, desde las técnicas más convencionales hasta los algoritmos de aprendizaje profundo más avanzados, destacando las fortalezas y debilidades de cada uno, así como los conjuntos de datos utilizados. El rendimiento y la escalabilidad de las diferentes estrategias propuestas en este trabajo dependen de la heterogeneidad del conjunto de datos, las técnicas de extracción de características (hashes, visuales, auditivas, etc.) y los algoritmos de aprendizaje. Finalmente, se presentan nuevas líneas de investigación en la detección de contenido sensible.