Con la llegada del big data y la era de la información, la magnitud de los datos de varias redes complejas está creciendo rápidamente. Muchas situaciones de la vida real no pueden ser retratadas por redes ordinarias, mientras que los hipergrafos tienen la capacidad de describir y caracterizar relaciones de orden superior, lo que ha atraído una amplia atención de la academia y la industria en los últimos años. En primer lugar, este documento describió el proceso de desarrollo, las áreas de aplicación y la investigación de revisión existente de los hipergrafos; en segundo lugar, se introdujo brevemente la teoría de los hipergrafos; luego, se compararon los métodos de aprendizaje de los grafos ordinarios y los hipergrafos desde tres aspectos: descomposición de matrices, caminata aleatoria y aprendizaje profundo; a continuación, se introdujo la optimización estructural de los hipergrafos desde tres perspectivas: hipergrafos dinámicos, optimización de pesos de hiperaristas y generación de hipergrafos multimodales; después de eso, se analizó la aplicabilidad de tres modelos de hipergrafos inciertos basados en tres teorías de incertidumbre: teoría de probabilidad, conjunto difuso y conjunto áspero; finalmente, se prospectaron las futuras direcciones de investigación de los hipergrafos e hipergrafos inciertos.