Las redes neuronales recurrentes (RNN) han avanzado significativamente en el campo del aprendizaje automático (ML) al permitir el procesamiento efectivo de datos secuenciales. Este documento proporciona una revisión completa de las RNN y sus aplicaciones, destacando los avances en arquitecturas, como las redes de memoria a largo y corto plazo (LSTM), las unidades recurrentes con compuerta (GRU), LSTM bidireccional (BiLSTM), redes de estado de eco (ESN), LSTM con mirilla y LSTM apiladas. El estudio examina la aplicación de las RNN en diferentes dominios, incluyendo el procesamiento del lenguaje natural (NLP), el reconocimiento de voz, la predicción de series temporales, los vehículos autónomos y la detección de anomalías. Además, el estudio discute innovaciones recientes, como la integración de mecanismos de atención y el desarrollo de modelos híbridos que combinan RNN con redes neuronales convolucionales (CNN) y arquitecturas de transformadores. Esta revisión tiene como objetivo proporcionar a los investigadores y profesionales de ML una visión completa del estado actual y las direcciones futuras de la investigación en RNN.