Un gran número de modelos inteligentes para el reconocimiento facial enmascarado (MFR) ha sido presentado recientemente y aplicado en varios campos, como el seguimiento de rostros enmascarados para la seguridad de las personas o la autenticación segura. Los riesgos excepcionales como pandemias y fraudes han acelerado notablemente la creación y compartición de algoritmos relevantes, lo que ha introducido nuevos desafíos. Por lo tanto, reconocer y autenticar a personas que llevan mascarillas será un área de investigación establecida desde hace tiempo, y se necesitan métodos más eficientes para el MFR en tiempo real. El aprendizaje automático ha avanzado en el MFR y ha facilitado significativamente el proceso inteligente de detección y autenticación de personas con rostros ocultos. Esta encuesta organiza y revisa los trabajos recientes desarrollados para el MFR basados en técnicas de aprendizaje profundo, proporcionando ideas y discusiones exhaustivas sobre el proceso de desarrollo de sistemas de MFR. Se presentan técnicas de vanguardia de acuerdo con las características de las arquitecturas de redes profundas y las estrategias de extracción de características profundas. También se discuten los conjuntos de datos de referencia comunes y las métricas de evaluación utilizadas en el campo del MFR. Se destacan muchos desafíos y direcciones de investigación prometedoras. Este estudio exhaustivo considera una amplia variedad de enfoques y logros recientes, con el objetivo de dar forma a una visión global del campo del MFR.