La detección de datos fuera de distribución (OOD) separa los datos de ID (dentro de la distribución) y los datos OOD de los datos de entrada a través de un modelo. Este problema ha atraído una atención creciente en el área del aprendizaje automático. La detección de OOD ha logrado una buena detección de intrusiones, detección de fraudes, monitoreo de la salud del sistema, detección de eventos en redes de sensores e interferencia en el ecosistema. El método basado en aprendizaje profundo es el más estudiado en la detección de OOD. En este documento, se describe información básica relacionada con la detección de OOD basada en aprendizaje profundo, y clasificamos los métodos según los datos de entrenamiento. La detección de OOD se divide en supervisada, semisupervisada y no supervisada. Cuando se utilizan datos supervisados, los métodos se clasifican según los medios técnicos: basados en modelos, basados en distancia y basados en densidad. Cada clasificación se presenta con antecedentes, ejemplos y aplicaciones. Además, presentamos las últimas aplicaciones de la detección de OOD basada en aprendizaje profundo y los problemas y expectativas en este campo.