陨石坑图像识别在深空探测中有着广泛的应用和重要的实际意义。对陨石坑图像的识别研究,可以使得陨石坑成为行星探测的自然路标应用于基于光学的自主导航,还可让探测器在行星着陆时规避陨石坑。由于陨石坑在漫长的岁月中存在掩埋、覆盖、侵蚀以及转化等问题,对陨石坑图像进行识别有一定的难度。利用人工视觉检查陨石坑图像有一定的局限性,识别的精度不高。所以人工智能的出现为高效识别陨石坑提供了一种新的途径。人工智能可以有效地准确地识别出陨石坑图像。神经网络是人工智能的经典算法,在陨石坑图像识别中有着很好的性能。但是常用的神经网络不仅在训练时容易陷入局部极小值的问题,影响图像识别的性能,并且在训练时必需大量的数据支撑,否则极易出现过拟合现象。为了在少样本陨石坑图像中尽可能完整地识别出所有陨石坑,提高陨石坑图像识别模型的性能,本文基于神经网络方法对陨石坑图像识别展开研究,具体工作如下:（1）针对卷积神经网络模型中的激活函数的研究,论文提出了结合两种激活函数的卷积神经网络陨石坑图像识别方法。该方法将线性整流单元（Rectified Linear Unit,Re LU）和放缩指数型线性单元（scaled exponential linear unit,SELU）两种激活函数进行有效组合,综合利用了Re LU的单侧抑制、相对宽阔的兴奋边界、稀疏激活特性和SELU的自归一化属性,不仅克服了神经网络训练中梯度消失和爆炸的问题,还加快了卷积神经网络模型的收敛速度。以分类精度为评价指标,在2个卷积神经网络模型上的实验结果说明,基于混合激活函数的卷积神经网络模型能有效提升陨石坑图像的识别性能。（2）针对单卷积神经网络模型的特征提取单一问题的研究,论文提出了基于卷积神经网络集成的陨石坑图像识别方法。该方法利用快照集成将单一的卷积神经网络模型进行集成,构建了快照集成模型。该快照集成模型将同一训练的过程中的不同结点的模型进行集成,既保证了训练模型的多样性,又避免了集成模型训练成本的增加。采用快照集成的卷积神经网络模型在陨石坑图像数据集上的实验结果表明,该方法是一种高效准确识别陨石坑图像的深度学习方法。