Los métodos tradicionales de identificación de plagas y enfermedades principalmente se basan en la detección manual o técnicas tradicionales de aprendizaje automático, pero presentan deficiencias evidentes en cuanto a su precisión y capacidad de generalización. En los últimos años, el aprendizaje profundo ha ido convirtiéndose gradualmente en la solución preferida para la identificación inteligente de plagas y enfermedades gracias a su potente capacidad de extracción automática de características y capacidades de procesamiento de datos complejos. En este documento, presentamos sistemáticamente la aplicación de métodos tradicionales de aprendizaje automático en la identificación de plagas y enfermedades y sus limitaciones, y nos centramos en el progreso de la investigación de métodos de aprendizaje profundo, que abarca tres arquitecturas principales: red neuronal convolucional (CNN), modelo Vision Transformer y modelo híbrido CNN-Transformer. Además, este documento proporciona un análisis en profundidad de los principales desafíos que actualmente enfrenta el campo del reconocimiento de plagas, incluidos los problemas de aprendizaje con muestras pequeñas, interferencia de fondo compleja y aligeramiento del modelo, y propone soluciones para investigaciones futuras para proporcionar referencias teóricas y orientación técnica para el desarrollo de campos relacionados.