Este documento presenta una revisión exhaustiva de las técnicas de identificación modal automatizada, centrándose en varios métodos establecidos y emergentes, particularmente la Identificación de Subespacios Estocásticos (SSI). La identificación modal automatizada juega un papel crucial en el monitoreo de la salud estructural (SHM) al extraer parámetros modales clave como frecuencias naturales, razones de amortiguamiento y formas de modo a partir de datos de vibración. Para abordar las limitaciones de los métodos manuales tradicionales, se han desarrollado varios enfoques para automatizar este proceso. Entre ellos, la SSI se destaca como uno de los métodos más efectivos en el dominio del tiempo debido a su robustez para manejar entornos ruidosos y modos cercanos. Esta revisión examina los algoritmos basados en SSI, cubriendo componentes esenciales como la identificación del sistema, la eliminación de modos de ruido, la interpretación de diagramas de estabilización y técnicas de agrupamiento para la identificación de modos. También se discuten implementaciones avanzadas de SSI que incorporan estimación recursiva en tiempo real, criterios de estabilización adaptativos y selección automatizada de modos. Además, la revisión abarca métodos en el dominio de la frecuencia como la Descomposición en el Dominio de la Frecuencia (FDD) y la Descomposición Mejorada en el Dominio de la Frecuencia (EFDD), destacando su aplicación en análisis espectral y extracción de parámetros modales. Se exploran técnicas basadas en aprendizaje automático (ML), aprendizaje profundo (DL) e inteligencia artificial (AI) por su capacidad para automatizar la extracción de características, clasificación y toma de decisiones en sistemas SHM a gran escala. Esta revisión concluye destacando los desafíos actuales, como las demandas computacionales y la gestión de datos, y proponiendo direcciones futuras para la investigación en análisis modal automatizado para apoyar infraestructuras resilientes y sostenibles.