Los vehículos aéreos no tripulados (VANT) se están integrando cada vez más en el ámbito de la agricultura de precisión, revolucionando el panorama agrícola. Específicamente, los VANT se utilizan junto con técnicas de aprendizaje automático para resolver una variedad de problemas agrícolas complejos. Este documento proporciona una cuidadosa revisión de más de 70 estudios que han aplicado técnicas de aprendizaje automático utilizando imágenes de VANT para resolver problemas agrícolas. La revisión examina los modelos empleados, sus aplicaciones y su rendimiento, abarcando una amplia gama de tareas agrícolas, incluyendo la clasificación de cultivos, la detección de cultivos y malezas, la cartografía de tierras agrícolas y la segmentación de campos. Se realizan comparaciones entre enfoques de aprendizaje automático supervisado, semi-supervisado y no supervisado, incluyendo clasificadores de aprendizaje automático tradicionales, redes neuronales convolucionales (CNN), detectores de una etapa, detectores de dos etapas y transformadores. Por último, se destacan y discuten los avances y perspectivas futuras para la utilización de VANT en la agricultura de precisión. Los hallazgos generales del documento demuestran que, para problemas de clasificación simples, se pueden utilizar técnicas de aprendizaje automático tradicionales, CNN y transformadores, siendo las CNN la opción óptima. Para tareas de segmentación, los UNET son con mucho el enfoque preferido. Para tareas de detección, los detectores de dos etapas ofrecieron el mejor rendimiento. Por otro lado, para la augmentación y mejora de conjuntos de datos, las redes generativas antagónicas (GAN) fueron la opción más popular.