Este estudio presenta una revisión sistemática de la integración de ontologías y IA para la comprensión de imágenes en la construcción, con el objetivo de aclarar cómo las ontologías mejoran la consistencia semántica, la interpretabilidad y el razonamiento en el análisis visual basado en IA. Los sitios de construcción implican condiciones altamente dinámicas y no estructuradas, lo que hace que la detección de peligros basada en imágenes y la evaluación de situaciones sean tanto esenciales como desafiantes. Los marcos basados en ontologías ofrecen una capa semántica estructurada que puede complementar los modelos de aprendizaje profundo; sin embargo, la mayoría de los estudios existentes adoptan las ontologías solo como mecanismos de posprocesamiento en lugar de integrarlas dentro de los flujos de trabajo de entrenamiento o inferencia del modelo. Siguiendo las pautas de PRISMA 2020, una búsqueda exhaustiva en la Colección Principal de Web of Science (2014-2025) identificó 587 publicaciones, de las cuales 152 cumplían con los criterios de elegibilidad, y 16 abordaron explícitamente los datos de imágenes de construcción. El modelado de temas reveló cinco objetivos funcionales: cumplimiento normativo, razonamiento sobre peligros, apoyo a la decisión, reutilización del conocimiento y sostenibilidad, y cuatro modalidades de datos principales: BIM, texto, imagen y datos de sensores. Se observaron dos patrones de integración dominantes: mejora en la etapa de entrenamiento y mejora en la etapa de salida. Si bien las mejoras en el rendimiento cuantitativo fueron modestas, las ganancias cualitativas fueron consistentes en todos los estudios, incluyendo la reducción de falsos positivos, la mejora de la interpretabilidad y la comprensión situacional mejorada. Se identificaron brechas persistentes en estandarización, escalabilidad y validación en el mundo real. Esta revisión proporciona la primera síntesis estructurada de la investigación sobre ontologías e IA para la comprensión de imágenes en la construcción y ofrece una agenda de investigación basada en evidencia que vincula las limitaciones observadas con direcciones accionables para la IA semántica en la construcción.