Con el rápido avance de la tecnología de aprendizaje profundo, la técnica de redes residuales (ResNet) ha logrado avances significativos en el campo del procesamiento de imágenes, y su aplicación en la ciencia del suelo ha ido aumentando constantemente. ResNet supera a los métodos tradicionales al mitigar eficazmente el problema del gradiente desvaneciente, permitiendo un entrenamiento de red más profundo, mejorando la extracción de características y aumentando la precisión en tareas complejas de reconocimiento de patrones. ResNet, como un modelo eficiente de aprendizaje profundo, puede extraer automáticamente características de datos de imágenes de suelo complejas, lo que permite una clasificación precisa del suelo y una evaluación de la salud del suelo. Las investigaciones recientes aplican cada vez más ResNet a diversos campos, incluida la clasificación de tipos de suelo y la evaluación de la salud del suelo. En primer lugar, este manuscrito describe varios métodos para recopilar datos de suelo, resaltando la importancia de emplear diversas fuentes de datos para comprender de manera integral las características del suelo. Estos métodos incluyen la adquisición de imágenes microscópicas de suelo, que proporcionan información detallada sobre la estructura de partículas del suelo a nivel celular; imágenes de teledetección, que ofrecen información valiosa sobre propiedades del suelo a gran escala y variaciones espaciales a través de tecnologías basadas en satélites o drones; e imágenes de alta definición, que capturan detalles a pequeña escala de las características del suelo, permitiendo un análisis más preciso y detallado. Al integrar estas técnicas, se establece una base sólida para el análisis de imágenes de suelo posterior, mejorando así la precisión de la clasificación del suelo, las evaluaciones de la salud y las evaluaciones del impacto ambiental. Además, este enfoque contribuye a los avances en la agricultura de precisión, la planificación del uso del suelo, el monitoreo de la erosión del suelo y la detección de contaminantes, apoyando en última instancia los esfuerzos de gestión sostenible del suelo y conservación ecológica. Luego, se analizan las ventajas de utilizar ResNet en la ciencia del suelo, y se explora su rendimiento en diferentes tareas de procesamiento de imágenes de suelo. Finalmente, se proponen posibles direcciones futuras de desarrollo.