En los últimos años, las técnicas de aprendizaje profundo para el procesamiento de datos de nubes de puntos 3D han visto avances significativos, dada su capacidad única para extraer características relevantes y manejar datos no estructurados. Estas técnicas encuentran aplicaciones en diversos campos como la robótica, los vehículos autónomos y varias otras aplicaciones de visión por computadora. Este artículo revisa la literatura reciente sobre tareas clave, incluyendo la clasificación de objetos 3D, el seguimiento, la estimación de pose, la segmentación y la finalización de nubes de puntos. La revisión discute el desarrollo histórico de estos métodos, explora diferentes arquitecturas de modelos, algoritmos de aprendizaje y conjuntos de datos de entrenamiento, y proporciona un resumen completo del estado del arte en este dominio. El artículo presenta una evaluación crítica de las limitaciones y desafíos actuales en el campo, e identifica áreas potenciales para futuras investigaciones. Además, se examina la aparición de metodologías transformadoras como PoinTr y SnowflakeNet, destacando sus contribuciones y su impacto potencial en el campo. También se discuten las posibles aplicaciones interdisciplinarias de estas técnicas, subrayando el amplio alcance e impacto de estos desarrollos. Esta revisión llena un vacío de conocimiento al ofrecer una síntesis enfocada y completa de la investigación reciente sobre técnicas de aprendizaje profundo para el procesamiento de datos de nubes de puntos 3D, sirviendo así como un recurso útil tanto para investigadores novatos como experimentados en el campo.