地外天体巡视探测是当今深空探测的主要方式之一。以火星探测为例,火星车为人类传回宝贵的图像、气候条件、大气和岩石成分等科学数据,为人类揭开了火星表面的真实环境。受火星与地球之间通信时间、数据传输带宽以及火星车的能量等因素的限制,图像传输成本巨大,因此探测车拥有自主进行环境感知的能力是十分必要的。随着深度卷积神经网络的快速发展,语义分割为机器理解环境提供了基础。本文将结合火星环境和火星图像的特点,针对火星地形尺度差异对分割准确度的影响、地形纹理相似且错综复杂对边缘分割精度的影响、稀少甚至未知地形目标的识别分割问题三个方面进行研究。主要研究内容如下:首先,构建了火星地形语义分割数据集,用于接下来的网络模型训练。通过对现有的工作进行分析总结,提出了火壤、沙地、基岩和岩石四种地形分类标准,针对火星车导航相机拍摄的部分远景图像像素稀疏的问题,提出了一种预处理方式,并进行了数据集扩充。其次,为了让探测车能够准确识别其周围环境中的地形,提出了一种基于多尺度特征融合的Deep Lab V3+语义分割方法,用于解决地形尺度差异过大导致分割精度降低的问题。分别构建了用于充分提取大尺度地形特征的前向密集连接空洞空间金字塔池化模块以及保留小尺度地形特征的高分辨率特征融合模块,并在火星地形数据集和自然数据集上进行了实验。接着,由于地形边缘分割精度影响探测任务的安全,提出了一种结合边缘检测网络的双路径语义分割算法。基于多任务学习的思想,在语义分割网络的基础上引入了边缘检测网络实现双路径语义分割模型,并提出了双路径特征融合模块,在保证深层特征充分提取的前提下,精细化边缘特征。最后,提出了一种基于原型对齐网络的稀少地形目标语义分割方法。首先分析了深度网络的局限性以及对未知类别泛化性差的原因,引入了小样本学习的思想,完成了适用于火星地形分割的原型对齐网络训练,并用一张支持图像完成了对查询图像的分割,提高了对稀少甚至未知地形类别的识别分割能力。