La extracción de características juega un papel crucial en la visión por computadora y la navegación autónoma, ofreciendo información valiosa para la localización en tiempo real y la comprensión de escenas. Sin embargo, aunque múltiples estudios investigan algoritmos de detección y descripción de puntos clave en entornos urbanos e interiores, son mucho menos los estudios que se concentran en entornos no estructurados. En este estudio, se desarrolla una arquitectura de aprendizaje profundo multitarea para la detección y descripción de puntos clave, enfocada en escenas no estructuradas y planetarias con características pobres y con iluminación baja o cambiante. La arquitectura propuesta fue entrenada y evaluada utilizando un conjunto de datos de entrenamiento y de referencia con escenas terrestres y planetarias. Además, el modelo entrenado se integró en un sistema de SLAM visual (Localización y Mapeo Simultáneos) como un módulo de extracción de características, y se probó en dos áreas no estructuradas con pocas características. En cuanto a los resultados, la arquitectura propuesta proporciona un mAP (precisión media promedio) de 0.95 en términos de descripción de puntos clave, superando a algoritmos artesanales bien conocidos, mientras que el SLAM propuesto logró un error RMSE dos veces menor en un área con pocas características y baja iluminación, en comparación con ORB-SLAM2. Hasta donde saben los autores, este es el primer estudio que investiga el potencial de la detección y descripción de puntos clave a través del aprendizaje profundo en entornos no estructurados y planetarios.