Se presenta una revisión selectiva de los desarrollos más recientes en la estimación de la matriz de covarianza con un número de muestras menores a la dimensión ambiente. En particular se consideran estimadores para las estructuras bajo rango y dispersa, dando especial atención a los algoritmos más utilizados en la práctica. Se presentan estimadores que recurren al uso de técnicas clásicas como umbrales y descomposición de valor único (SVD), así como estimadores más novedosos basados en matrices aleatorias y optimización convexa. Una de las principales conclusiones del estudio es que a pesar de los grandes avances en el desarrollo de nuevos estimadores, temas relacionados al tiempo de cómputo de los programas convexos que utilizan los estimadores han sido poco explorados. Además, se observa la falta de trabajos sobre el desarrollo de estimadores para matrices con estructura conjuntamente dispersa y bajo rango.