El crecimiento del análisis de Imágenes Hiperespectrales (HSI) se debe a los avances tecnológicos que permiten a las cámaras recopilar cientos de información espectral continua de cada píxel en una imagen. La clasificación de HSI es desafiante debido al gran número de bandas espectrales redundantes, muestras de entrenamiento limitadas y la relación no lineal entre la posición espacial recopilada y las bandas espectrales. Nuestra encuesta destaca investigaciones recientes en la clasificación de HSI utilizando técnicas tradicionales de Aprendizaje Automático como el aprendizaje basado en núcleos, Máquinas de Vectores de Soporte, técnicas de Reducción de Dimensionalidad y basadas en Transformaciones. Nuestro estudio también profundiza en técnicas de Aprendizaje Profundo (DL) que involucran el uso de Autoencoders, Redes Neuronales Convolucionales 1D, 2D y 3D para clasificar HSI. De la comparación, se observa que las técnicas de clasificación basadas en DL superan a las técnicas basadas en ML. También se ha observado que la clasificación HSI espectral-espacial supera a la clasificación píxel por píxel porque incorpora firmas espectrales e información del dominio espacial. El rendimiento de las técnicas de clasificación basadas en ML y DL ha sido revisado en conjuntos de datos de cobertura terrestre comúnmente utilizados como Indian Pines, el valle de Salinas y la Universidad de Pavia.