Globalmente, las plagas de insectos son la razón principal de la disminución del rendimiento y la calidad de los cultivos. Aunque los pesticidas se utilizan comúnmente para controlar y eliminar estas plagas, pueden tener efectos adversos en el medio ambiente, la salud humana y los recursos naturales. Como alternativa, se ha ideado el manejo integrado de plagas para mejorar el control de plagas de insectos, disminuir el uso excesivo de pesticidas y mejorar la producción y calidad de los cultivos. Con los avances en las tecnologías de inteligencia artificial, han surgido varias aplicaciones en el contexto agrícola, incluida la detección, monitoreo e identificación automáticos de insectos. El propósito de este artículo es esbozar las principales técnicas para la detección automatizada de insectos, destacando los enfoques y metodologías más exitosos, al tiempo que se presta atención a los desafíos y vacíos restantes en esta área. El objetivo es proporcionar al lector una visión general de los principales avances en este campo. Este estudio analizó 92 estudios publicados entre 2016 y 2022 sobre la detección automática de insectos en trampas utilizando técnicas de aprendizaje profundo. La búsqueda se realizó en seis bases de datos electrónicas y 36 artículos cumplieron con los criterios de inclusión. Los criterios de inclusión fueron estudios que aplicaron técnicas de aprendizaje profundo para la clasificación, conteo y detección de insectos, escritos en inglés. El proceso de selección implicó analizar el título, palabras clave y resumen de cada estudio, lo que resultó en la exclusión de 33 artículos. Los 36 artículos restantes incluyeron 12 para la tarea de clasificación y 24 para la tarea de detección. Se identificaron dos enfoques principales - estándar y adaptable - para la detección de insectos, con diversas arquitecturas y detectores. Se encontró que la precisión de la clasificación estaba más influenciada por el tamaño del conjunto de datos, mientras que la detección se veía significativamente afectada por el número de clases y el tamaño del conjunto de datos. El estudio también destaca dos desafíos y recomendaciones, a saber, las características del conjunto de datos (como clases desequilibradas y anotaciones incompletas) y metodologías (como las limitaciones de los algoritmos para objetos pequeños y la falta de información sobre insectos pequeños). Para superar estos desafíos, se recomienda realizar más investigaciones para mejorar las prácticas de manejo de plagas de insectos. Esta investigación debe centrarse en abordar las limitaciones y desafíos identificados en este artículo para garantizar un manejo más efectivo de plagas de insectos.