Las técnicas tradicionales de visión por computadora buscan extraer información significativa de las imágenes pero a menudo dependen de la ingeniería manual de características, lo que dificulta el manejo de escenarios del mundo real complejos. El cálculo fraccional (FC), que extiende las derivadas a órdenes no enteros, proporciona una forma flexible de modelar sistemas con efectos de memoria y dependencias a largo plazo, lo que lo convierte en una herramienta poderosa para capturar tasas fraccionarias de variación. Recientemente, las redes neuronales (NNs) han demostrado capacidades notables para aprender patrones complejos directamente de datos crudos, automatizando tareas de visión por computadora y mejorando el rendimiento. Por lo tanto, el uso del cálculo fraccional en visión por computadora basada en redes neuronales es un método poderoso para abordar los desafíos existentes al capturar de manera efectiva relaciones espaciales y temporales complejas en imágenes y videos. Este documento presenta una encuesta de técnicas de visión por computadora basadas en redes neuronales de cálculo fraccional (FC NN-based) para eliminación de ruido, mejora, detección de objetos, segmentación, restauración y compresión de NN. Esta encuesta recopila enfoques existentes basados en FFC NN, aclara conceptos subyacentes e identifica preguntas abiertas y direcciones de investigación. Al aprovechar las propiedades de FC, los enfoques basados en FC NN ofrecen una forma novedosa de mejorar la robustez y eficiencia de los sistemas de visión por computadora.