Los operadores morfológicos son transformaciones no lineales comúnmente utilizadas en el procesamiento de imágenes. Su fundamento teórico se basa en la teoría de retículos, y es un resultado bien conocido que una gran clase de operadores de imagen se puede expresar en términos de dos básicos, las erosiones y las dilataciones. En la práctica, operadores útiles pueden construirse combinando estos dos operadores, y los nuevos operadores pueden combinarse aún más para implementar transformaciones más complejas. La posibilidad de implementar una combinación compacta que realice una transformación compleja de imágenes es particularmente atractiva en escenarios de hardware con recursos limitados. Sin embargo, encontrar una combinación adecuada puede requerir un considerable esfuerzo de prueba y error. Esta dificultad ha motivado el desarrollo de enfoques basados en aprendizaje automático para diseñar operadores de imagen morfológicos. En este trabajo, presentamos una visión general de este tema, dividida en tres partes. Primero, revisamos y discutimos la estructura de representación de los operadores de imagen morfológicos. Luego abordamos el problema de aprender operadores de imagen morfológicos a partir de datos, y cómo la representación se manifiesta en la formulación de este problema, así como en los operadores aprendidos. En la última parte nos centramos en los métodos recientes de aprendizaje de operadores de imagen morfológicos que aprovechan los marcos de aprendizaje profundo. Concluimos con discusiones y una lista de posibles direcciones futuras de investigación.