La predicción del rendimiento de cultivos (CYP) se ha vuelto cada vez más crítica para abordar los efectos adversos del clima anormal y mejorar la productividad agrícola. Esta revisión investiga la aplicación de técnicas avanzadas de Inteligencia Artificial (IA), incluyendo Aprendizaje Automático (ML), Aprendizaje Profundo (DL), Aprendizaje por Conjuntos y IA Explicable (XAI) a la CYP. También explora el uso de tecnologías de teledetección e imágenes, identifica factores ambientales clave y analiza las principales causas de la reducción del rendimiento. Se observó una amplia diversidad de características de entrada en los estudios, influenciadas en gran medida por la disponibilidad de datos y los objetivos de investigación específicos. Se encontró que la selección de características por pasos era más efectiva que aumentar el volumen de características para mejorar la precisión del modelo. Los algoritmos utilizados con frecuencia incluyen Bosques Aleatorios (RF) y Máquinas de Vectores de Soporte (SVM) para ML, Redes Neuronales Artificiales (ANNs) y Redes Neuronales Convolucionales (CNNs) para DL, así como métodos de ensamblaje basados en apilamiento. Aunque la XAI sigue en las primeras etapas de adopción, muestra un gran potencial para interpretar modelos CYP complejos y multidimensionales. La imagen hiperespectral (HSI) y la imagen multispectral (MSI), a menudo recolectadas a través de drones, fueron las técnicas de detección más comúnmente utilizadas. Los principales factores que contribuyen a la reducción del rendimiento incluyen condiciones atmosféricas y relacionadas con el suelo bajo un clima anormal, así como brotes de plagas, disminución de la fertilidad del suelo y restricciones económicas. Al proporcionar una visión general completa de los marcos de CYP impulsados por IA, esta revisión ofrece ideas que apoyan el avance de la agricultura de precisión y el desarrollo de políticas agrícolas informadas por datos.