Actualmente, el creciente número de vuelos diarios enfatiza la importancia del transporte aéreo. Además, la Gestión del Tráfico Aéreo (ATM) permite a las aerolíneas operar de manera segura y eficiente a través de los múltiples servicios proporcionados. Las soluciones analíticas avanzadas han demostrado el potencial para resolver problemas complejos en varios dominios, y el Aprendizaje Profundo (DL) ha atraído atención debido a sus resultados impresionantes y capacidades disruptivas. La adopción de modelos de DL en soluciones de ATM permite nuevos servicios cognitivos que nunca se habían considerado antes. El objetivo principal de esta investigación es presentar una revisión integral de las soluciones de Aprendizaje Profundo (DL) de vanguardia para la Gestión del Tráfico Aéreo (ATM). Esta revisión se centra en describir aplicaciones, identificar oportunidades y resaltar desafíos abiertos para fomentar la evolución de los sistemas de ATM. Para lograr esto, discutimos los temas fundamentales de DL y ATM y categorizamos las contribuciones en función de diferentes enfoques. Primero, los trabajos se agrupan según el enfoque de DL adoptado. Luego, se identifican direcciones futuras en función del área de solución de ATM. Finalmente, se enumeran los desafíos abiertos tanto para las aplicaciones de DL como para las soluciones de ATM. Este artículo tiene como objetivo apoyar a la comunidad identificando problemas de investigación que deben abordarse en el futuro.