El diagnóstico de fallos en motores de combustión interna (ICE) es vital para un funcionamiento óptimo y para evitar costosas averías. Este documento revisa metodologías para la detección de fallos en ICE, incluyendo enfoques basados en modelos y enfoques impulsados por datos. El primero utiliza modelos físicos de los componentes del motor para diagnosticar defectos, mientras que el segundo emplea análisis estadístico de datos de sensores para identificar patrones que indican fallos. Se revisan varios métodos para la identificación de fallos en ICE, como el análisis de vibraciones, la termografía, el análisis acústico y enfoques ópticos. Este documento también explora los últimos enfoques para detectar fallos en ICE. Destaca los desafíos en el proceso de diagnóstico y las formas de mejorar la precisión y fiabilidad de los resultados. Este documento concluye con una revisión del progreso en la identificación de fallos en componentes de ICE y las perspectivas, resaltadas por una investigación experimental utilizando 16 algoritmos de aprendizaje automático con siete técnicas de selección de características bajo tres condiciones de carga para detectar fallos en un ICE de cuatro cilindros. Además, este estudio incorpora técnicas avanzadas de aprendizaje profundo, incluyendo una red neuronal profunda (DNN), una red neuronal convolucional unidimensional (1D-CNN), Transformer y un modelo híbrido de Transformer y DNN que demuestran un rendimiento superior en la detección de fallos en comparación con métodos tradicionales de aprendizaje automático.