随着外太空探索能力的逐步发展,其中火星的地表环境与地球最为近似,火星地表的各类岩石蕴藏着大量地质信息,这也就成为使用火星探测器时研究的主要目标,地面科研工作者能够使用火星车进行目标选择,利用搭载的各种科学装置进行研究。但火星与地球距离遥远,地火之间的通信存在较长延迟,所以提高火星车的自主探测能力是主要目标。火星车自主探测其中包括两个方面,一是自主将图像中岩石进行语义分割,获得岩石分布信息以创建语义地图;二是能够在不同的岩石分布中选择目标岩石进行选择性传回地面。本文使用深度学习等方法,对于提高火星车图像分割性能相关问题进行了如下几个方面的研究:首先,对火星岩石图像语义分割进行研究,通过对火星岩石数据的调研,根据行星地质学收集到各类火星岩石图像,制作火星岩石图像数据集。然后使用一种基于编码-解码的语义分割架构,编码器是由基本的VGG16的前13层网络构成,解码器是根据网络中的最大池化索引对特征映射进行上采样操作。通过增加双通道注意力机制,分别为空间注意力和通道注意力,网络会提高对于小目标的分割性能。但由于火星条件下存在较大的分割目标,通过增加膨胀卷积,能够增大网络的感受野,使得较大分割目标能够完整的被分割。在前述内容的基础上完成分割模型搭建。在通用数据集与自制数据集上进行仿真实验,通过与其它方法进行对比,结果表明本文方法能够同时有效地解决小目标和大目标的分割问题。其次,针对语义分割的实时算法进行研究。与各种流行的实时分割模型框架和模型优化方法相对比后,使用双通道网络模型进行实时语义分割研究,其中包含上下文通道和空间通道。通过增加短期密集连接网络与空间稀疏方法,提高网络分割性能。短期密集连接网络能够提取具有可扩展感受野和多尺度信息的深层特征,而空间稀疏方法能够在有限降低分割精度的情况下,提升实时分割速率。在通用的数据集上进行仿真实验,通过对改进方法的有效性进行验证。在前述数据集上进行测试。实验结果表明,能够在一定分辨率下增加网络分割的性能。最后,深度神经网络模型在应用中会有延迟、计算能耗等因素限制,在火星环境下计算设备的性能限制尤为突出,针对实际的应用场景,选择与好奇号计算能力相当的Jetson TX2嵌入式设备,并在该设备上部署所设计的网络模型,对其分割性能与应用的可行性进行实验与探讨。经过实际应用实验,模型能够在计算能力较低的设备上保持一定的分割精度,而且实时分割帧率仍能达到67FPS。