Los estudios de fenotipado de plantas analizan las características complejas de las plantas, con el objetivo de evaluar y valorar su estado y encontrar mejores ejemplares. Recientemente, surgió una nueva rama en el campo del fenotipado, a saber, el fenotipado de alto rendimiento (HTP). Específicamente, el HTP explota técnicas modernas de muestreo de datos para recopilar una gran cantidad de datos que pueden ser utilizados para mejorar la efectividad del fenotipado. Por lo tanto, el HTP combina el conocimiento derivado del dominio del fenotipado con la informática, la ingeniería y las técnicas de análisis de datos. En este escenario, los algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL) se han integrado con éxito con técnicas de imagen no invasivas, desempeñando un papel clave en la automatización, estandarización y análisis cuantitativo de datos. Este estudio tiene como objetivo revisar sistemáticamente dos áreas principales de interés para el HTP: hardware y software. Para cada una de estas áreas, se identificaron dos factores influyentes: para el hardware, se analizaron plataformas y equipos de sensores; para el software, el enfoque estuvo en algoritmos y nuevas tendencias. El estudio se llevó a cabo siguiendo el protocolo PRISMA, que permitió refinar la investigación sobre una amplia selección de artículos al extraer un conjunto de datos significativo de 32 artículos de interés. El análisis destacó la difusión de plataformas terrestres, que se utilizaron en aproximadamente el 47% de los métodos revisados, y sensores RGB, principalmente debido a sus costos competitivos, alta compatibilidad y versatilidad. Además, los algoritmos basados en DL representaron la mayor parte (aproximadamente el 69%) de los enfoques revisados, principalmente debido a su efectividad y el enfoque que ha tenido la comunidad científica en los últimos años. La investigación futura se centrará en mejorar los modelos de DL para manejar mejor los datos generados por el hardware. El objetivo final es crear herramientas integradas, fáciles de usar y escalables que puedan ser implementadas y utilizadas directamente en el campo para mejorar el rendimiento general de los cultivos.