Las capacidades avanzadas de navegación son esenciales para operaciones de aterrizaje precisas, permitiendo el acceso a sitios lunares críticos y apoyando la infraestructura lunar futura. Para lograr un posicionamiento preciso, se están desarrollando métodos de navegación innovadores que aprovechan marcos de redes neuronales para detectar características distintivas de la superficie lunar, como cráteres, a partir de datos de imágenes. Al emparejar las características detectadas con puntos de referencia conocidos almacenados en una base de datos de referencia a bordo, se recuperan mediciones clave de navegación para refinar la trayectoria de la nave espacial, permitiendo la planificación en tiempo real para evitar peligros. Este trabajo presenta un sistema de navegación basado en cráteres para operaciones de descenso planetario, que aprovecha un enfoque robusto de aprendizaje automático para la detección de cráteres en imágenes ópticas. Se realizó un análisis exhaustivo de las precisiones de detección alcanzables evaluando el rendimiento de la red en diversos conjuntos de imágenes sintéticas renderizadas en diferentes condiciones de iluminación a través de un pipeline personalizado basado en Blender. Luego se llevaron a cabo campañas de simulación, basadas en la misión JAXA Smart Lander for Investigating Moon, para demostrar el rendimiento del sistema, logrando errores de posición final consistentes con incertidumbres menores a 100 m en el plano horizontal a altitudes tan bajas como 10 km. Este nivel de precisión es clave para lograr un control mejorado durante las fases de aproximación y descenso vertical, asegurando así la seguridad operativa y facilitando un aterrizaje preciso.