Los datos de error de medición de alta dimensionalidad están volviéndose más comunes en varios campos. La investigación sobre modelos de regresión de error de medición ha ganado impulso debido al riesgo de llegar a conclusiones inexactas si se ignoran los errores de medición. Cuando la dimensión es mayor que el tamaño de la muestra, es desafiante desarrollar métodos de inferencia estadística para modelos de regresión de error de medición de alta dimensionalidad debido a la existencia de sesgo, no convexidad de la función objetivo, alto costo computacional y muchas otras dificultades. En los últimos años, algunos trabajos han superado las dificultades mencionadas y propuesto varios métodos novedosos de inferencia estadística. Este artículo revisa principalmente el desarrollo actual en estimación, pruebas de hipótesis y métodos de selección de variables para modelos de regresión de error de medición de alta dimensionalidad y muestra los resultados teóricos de estos métodos con algunas direcciones que vale la pena explorar en futuras investigaciones.