La estimación del rendimiento de los cultivos antes de la cosecha es crucial para lograr la seguridad alimentaria y gestionar el crecimiento de los cultivos. Los vehículos aéreos no tripulados (UAV) pueden adquirir rápidamente y con precisión datos sobre el crecimiento de los cultivos en el campo y son medios importantes para recopilar datos de teledetección agrícola. Con el rápido desarrollo del aprendizaje automático, especialmente el aprendizaje profundo, la investigación sobre la estimación del rendimiento basada en datos de teledetección de UAV y aprendizaje automático ha logrado excelentes resultados. Este artículo revisa sistemáticamente la investigación actual sobre la estimación del rendimiento basada en la teledetección de UAV y el aprendizaje automático a través de una búsqueda de 76 artículos, abarcando aspectos como los cultivos de grano estudiados, preguntas de investigación, recopilación de datos, selección de características, modelos óptimos de estimación de rendimiento y períodos óptimos de crecimiento para la estimación del rendimiento. A través de un análisis visual y narrativo, la conclusión abarca todas las preguntas de investigación propuestas. El trigo, el maíz, el arroz y la soja son los principales objetos de investigación, y los mecanismos de aplicación de fertilizantes nitrogenados, riego, diversidad de variedades de cultivos y diversidad genética han recibido una atención generalizada. En el proceso de modelado, la selección de características es clave para mejorar la robustez y precisión del modelo. Ya sea basado en características modales únicas o multimodales para la investigación de estimación de rendimiento, las imágenes multiespectrales son la principal fuente de información de características. El modelo óptimo de estimación de rendimiento puede variar dependiendo de las características seleccionadas y el período de recopilación de datos, pero el bosque aleatorio y las redes neuronales convolucionales siguen siendo los que mejor rendimiento tienen en la mayoría de los casos. Finalmente, este estudio profundiza en los desafíos que se enfrentan actualmente en términos de volumen de datos, selección y optimización de características, determinación del período óptimo de crecimiento, selección y aplicación de algoritmos, y las limitaciones de los UAV. Se necesita más investigación en áreas como la ampliación de datos, la ingeniería de características, la mejora de algoritmos y la estimación de rendimiento en tiempo real en el futuro.