Detectar comportamientos humanos anormales en vídeos de vigilancia es crucial para varios ámbitos, incluyendo la seguridad y la seguridad pública. Muchas técnicas de detección exitosas basadas en modelos de aprendizaje profundo han sido introducidas. Sin embargo, la escasez de datos etiquetados de comportamientos anormales plantea desafíos significativos para el desarrollo de sistemas de detección efectivos. Este documento presenta una encuesta exhaustiva de técnicas de aprendizaje profundo para detectar comportamientos humanos anormales en flujos de video de vigilancia. Categorizamos las técnicas existentes en tres enfoques: no supervisado, parcialmente supervisado y completamente supervisado. Cada enfoque es examinado en términos de su marco conceptual subyacente, fortalezas y debilidades. Además, proporcionamos una comparación extensa de estos enfoques utilizando conjuntos de datos populares frecuentemente utilizados en investigaciones previas, resaltando su rendimiento en diferentes escenarios. Resumimos las ventajas y desventajas de cada enfoque para la detección de comportamientos humanos anormales. También discutimos problemas de investigación abiertos identificados a través de nuestra encuesta, incluyendo mejorar la robustez a variaciones ambientales a través de conjuntos de datos diversos, formulando estrategias para la detección de comportamientos anormales contextuales. Finalmente, esbozamos posibles direcciones para el desarrollo futuro para allanar el camino para sistemas de detección de comportamientos anormales más efectivos.