Коррозия и трещины в промышленных трубопроводах приводят к серьезным угрозам безопасности, экономическим потерям и экологическим рискам. Своевременное обнаружение дефектов имеет важное значение для предотвращения аварийных ситуаций. Традиционные методы неразрушающего контроля (НК; англ. Nondestructive Testing — NDT) требуют высокой квалификации специалистов и не всегда обеспечивают надежность при сложных условиях эксплуатации. Цель данного обзора — анализ методов глубокого обучения (Deep Learning — DL), применяемых для автоматизированного выявления дефектов трубопроводов. В работе рассмотрены сверточные нейронные сети (Convolutional Neural Networks — CNN), Vision Transformers (ViT), а также модели сегментации изображений, используемые для идентификации коррозии и трещин. Оценены различные источники данных: визуальная инспекция, ультразвуковая диагностика, радиографические исследования и мониторинг с применением беспилотных летательных аппаратов. Отмечены проблемы, связанные с шумами, изменением освещения, частичным перекрытием объектов и сложностью разметки данных. Рассмотрены системы поддержки принятия решений (Decision Support Systems — DSS), способствующие оценке рисков и планированию технического обслуживания. Сделан вывод о том, что методы глубокого обучения обеспечивают более высокую точность обнаружения дефектов по сравнению с традиционными подходами. Вместе с тем их эффективность зависит от качества данных и адаптации моделей к реальным условиям. Для практического внедрения необходимы интеграция мультимодальных сенсорных данных, работа в режиме реального времени и применение интерпретируемого искусственного интеллекта (Explainable Artificial Intelligence — XAI).