Las máquinas perforadoras de túneles (TBM) se han vuelto prevalentes en la construcción de túneles debido a su alta eficiencia y fiabilidad. La proliferación de datos obtenidos de investigaciones en el sitio y sistemas de adquisición de datos proporciona una oportunidad para la aplicación de técnicas de aprendizaje automático (ML). Los algoritmos de ML se han aplicado con éxito en la perforación de túneles con TBM porque son particularmente efectivos para capturar relaciones complejas y no lineales. Este estudio se centra en técnicas de ML comúnmente utilizadas para la perforación de túneles con TBM, con un énfasis particular en el procesamiento de datos, algoritmos, técnicas de optimización y métricas de evaluación. Se discuten las preocupaciones principales en las aplicaciones de TBM, incluyendo la predicción del rendimiento de TBM, la predicción de asentamientos superficiales y la predicción de series temporales. Este estudio revisa el progreso actual, identifica los desafíos y sugiere futuros desarrollos en el campo de la construcción inteligente de túneles con TBM. Esto tiene como objetivo contribuir a los esfuerzos en curso en investigación e industria para mejorar la seguridad, sostenibilidad y rentabilidad de proyectos de excavación subterránea.