En los últimos años, el uso de datos de teledetección obtenidos de imágenes de satélite o vehículos aéreos no tripulados (UAV) ha aumentado en popularidad para tareas de clasificación de cultivos como la predicción de rendimiento, clasificación de suelos o mapeo de cultivos. La disponibilidad de información, con una mejor resolución temporal, radiométrica y espacial, ha resultado en la acumulación de vastas cantidades de datos. Satisfacer las demandas de análisis de estos datos requiere soluciones innovadoras, y las técnicas de inteligencia artificial ofrecen el apoyo necesario. Esta revisión sistemática tiene como objetivo evaluar la efectividad de las técnicas de aprendizaje profundo para la clasificación de cultivos utilizando datos de teledetección de imágenes aéreas. Los artículos revisados se centran en una variedad de arquitecturas de aprendizaje profundo, incluidas redes neuronales convolucionales (CNN), redes neuronales de memoria a corto y largo plazo, transformadores y modelos híbridos de redes neuronales convolucionales y recurrentes, e incorporan técnicas como aumento de datos, aprendizaje por transferencia y fusión multimodal para mejorar el rendimiento del modelo. La revisión analiza el uso de estas técnicas para aumentar la precisión de la clasificación de cultivos mediante el desarrollo de nuevas arquitecturas de aprendizaje profundo o mediante la combinación de varios tipos de datos de teledetección. Además, evalúa el impacto de factores como la resolución espacial y espectral, la anotación de imágenes y la calidad de las muestras en la clasificación de cultivos. La combinación de modelos o la integración de múltiples fuentes de datos tiende a mejorar la precisión de clasificación de los modelos de aprendizaje profundo. Las imágenes de satélite son la fuente de datos más comúnmente utilizada debido a su accesibilidad y disponibilidad generalmente gratuita. El estudio destaca la necesidad de grandes cantidades de datos de entrenamiento y la incorporación de clases no relacionadas con cultivos para mejorar la precisión y proporcionar información valiosa sobre el estado actual de los modelos y conjuntos de datos de aprendizaje profundo para tareas de clasificación de cultivos.