En la investigación geológica de la Luna y otros cuerpos celestes, la identificación y análisis de cráteres de impacto son cruciales para comprender la historia geológica de estos cuerpos. Con el rápido aumento en el volumen de datos de imágenes de alta resolución devueltos de misiones de exploración, los métodos tradicionales de recuperación de imágenes enfrentan desafíos duales de eficiencia y precisión al procesar datos de imágenes de cráteres complejos lunares. Las técnicas de aprendizaje profundo ofrecen una solución potencial. Este documento propone un modelo de recuperación de imágenes para cráteres complejos lunares que integra características visuales y de profundidad para superar estas dificultades. Para la extracción de características de profundidad, empleamos el Transformador Swin como arquitectura central para la extracción de características y mejoramos la capacidad de reconocimiento de características clave de cráteres mediante la integración del Módulo de Atención de Bloques Convolucionales con Atención de Canales Efectivos (CBAMconECA). Además, se introduce una función de pérdida triplet para generar incrustaciones de imágenes altamente discriminativas, optimizando aún más el espacio de incrustación para la recuperación de similitudes. En cuanto a la extracción de características visuales, utilizamos Patrones Binarios Locales (LBP) y momentos de Hu para extraer las características de textura y forma de las imágenes de cráteres. Al realizar una fusión ponderada de estas características y utilizar Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad, combinamos de manera efectiva las características visuales y de profundidad y optimizamos la eficiencia de recuperación. Finalmente, se utiliza la similitud del coseno para calcular la similitud entre las imágenes de consulta e imágenes en la base de datos, devolviendo las imágenes más similares como resultados de recuperación. Los experimentos de validación realizados en el conjunto de datos de cráteres de impacto complejos lunares construido en este artículo demuestran que logra una precisión de recuperación del 83.75%, mostrando una eficiencia superior. Estos resultados experimentales confirman las ventajas de en el manejo de la tarea de recuperación de imágenes de cráteres de impacto complejos lunares.