随着深空探测技术的不断提高,火星成了新的研究焦点。火星岩石蕴含着大量的地质学信息,是火星探测的理想目标,地面工作人员可以通过火星车选择合适的目标,利用搭载的仪器进行深入分析。由于火星与地球间存在较长的通信延迟,提高火星车的自主运行能力就显得尤为重要。火星车的自主性包括两方面,一是自主选择合适的岩石目标进行探测,二是选择合适的数据传回地球。本文利用深度学习技术,对提高火星车自主性进行了如下几个方面的研究:（1）进行岩石学调研并收集数据,基于火星岩石学研究收集四类岩石图像,自制火星岩石数据集。基于VGG-16和卷积神经网络参数迁移搭建模型,进行自动识别。对于火星岩石数据集规模较小的问题,采用了翻转法与图像随机融合法进行了数据增强,实验证明该方法对提高模型准确率带来了帮助。与其他卷积神经网络方法,以及传统特征提取与SVM结合的方法进行了对比,在九种方法中VGG-16与迁移学习结合取得了最佳效果,实现了较高的识别准确率。（2）针对自动获取画面中岩石目标的任务,自行制作了火星岩石图像分割数据集,基于全卷积神经网络架构搭建模型,进行了自动图像分割。美国好奇号火星车曾经使用过的ROCKSTER岩石图像分割方法存在易将阴影误判为岩石以及漏判等问题,本文方法对这些问题进行了克服,基本能够识别出适合研究的岩石,并能够将阴影排除在岩石范围外。（3）神经网络在实际应用中容易受到延迟、能耗及模型大小等因素限制,在火星环境中这样的限制更为严苛。针对这一问题,本文采用卷积核剪枝方法,使用多项式展开法来评估卷积核的重要性,修剪掉对损失值影响较低的卷积核,以实现提高模型运行速度、压缩模型大小的目的。Jetson TX2配置的CPU可提供共计375MIPS的计算能力,与好奇号计算机处理器的400MIPS相近,因此本文将Jetson TX2作为好奇号计算机的参照设备来测试剪枝效果,对应用可行性进行大致探讨。经过实验,剪枝后的模型在保持了较高识别准确率的情况下,将单张识别时间从0.779s压缩到了 0.062s。