Las malas hierbas son plantas no deseadas e invasoras que se propagan y compiten por recursos como espacio, agua, nutrientes y luz solar, afectando la calidad y productividad de los cultivos deseados. La detección de malas hierbas es crucial para la aplicación de métodos de agricultura de precisión y para este propósito se pueden utilizar técnicas de aprendizaje automático, específicamente redes neuronales convolucionales (CNN). Este estudio se centra en la búsqueda de arquitecturas de CNN utilizadas para detectar e identificar malas hierbas en diferentes cultivos; se analizaron 61 artículos que aplicaban arquitecturas de CNN durante los últimos cinco años (2019-2023). Los resultados muestran el uso de diferentes dispositivos para adquirir las imágenes para el entrenamiento, como cámaras digitales, teléfonos inteligentes y cámaras de drones. Además, la familia YOLO y sus algoritmos son las arquitecturas más ampliamente adoptadas, seguidas por VGG, ResNet, Faster R-CNN, AlexNet y MobileNet, respectivamente. Este estudio proporciona una actualización sobre las CNN que servirá como punto de partida para los investigadores que deseen implementar estas técnicas de detección e identificación de malas hierbas.