En el desarrollo de software, la detección temprana de defectos mediante análisis estático se puede realizar sin ejecutar el código fuente. Sin embargo, los defectos se detectan en base a no ejecución, lo que resulta en una mayor proporción de falsos positivos. Recientemente, se han realizado estudios para realizar análisis estáticos de manera efectiva utilizando tecnologías de aprendizaje automático (ML) y aprendizaje profundo (DL). Este estudio examina las técnicas para detectar errores en tiempo de ejecución utilizadas en las herramientas de análisis estático existentes y las causas y tasas de falsos positivos. Analiza las últimas tecnologías de análisis estático que aplican aprendizaje automático/aprendizaje profundo para disminuir los falsos positivos y las compara con las tecnologías existentes en términos de efectividad y rendimiento. Además, las técnicas de detección de defectos basadas en aprendizaje automático/aprendizaje profundo se implementaron en entornos experimentales y software del mundo real para determinar su efectividad en software del mundo real.