Recientemente, se ha identificado la necesidad de combinar el aprendizaje profundo con el aprendizaje extremo para lograr un equilibrio de rendimiento con precisión, especialmente en el ámbito de las aplicaciones multimedia. Al considerar este nuevo paradigma, a saber, la máquina de aprendizaje extremo convolucional (CELM), presentamos una revisión sistemática que investiga arquitecturas alternativas de aprendizaje profundo que utilizan la máquina de aprendizaje extremo (ELM) para un entrenamiento más rápido para resolver problemas basados en el análisis de imágenes. Detallamos cada una de las arquitecturas que se encuentran en la literatura junto con sus escenarios de aplicación, conjuntos de datos de referencia, principales resultados y ventajas, y luego presentamos los desafíos abiertos para CELM. Seguimos una metodología bien estructurada y establecimos preguntas de investigación relevantes que guiaron nuestros hallazgos. Basado en 81 estudios primarios, encontramos que el reconocimiento de objetos es el problema más común que se resuelve con CELM, y CCN con núcleos predefinidos es la arquitectura CELM más común propuesta en la literatura. Los resultados de los experimentos muestran que los modelos CELM presentan buena precisión, convergencia y rendimiento computacional, y son capaces de disminuir el tiempo total de procesamiento requerido por el proceso de aprendizaje. Se espera que los resultados presentados en esta revisión sistemática contribuyan al área de investigación de CELM, proporcionando un buen punto de partida para abordar algunos de los problemas actuales en el análisis de visión por computadora basado en imágenes.