火星表面地形地貌复杂，且覆盖有松软的火星土壤，这使得火星车在巡视探测时面临大沉陷、高滑转，甚至不能通过的风险。因此，火星车通过性分析和路径规划对巡视探测至关重要。本文调研了美国索杰纳号、勇气号、机遇号、好奇号、毅力号和我国祝融号火星车的通过性评估策略与方法，并分析基于多信息融合、深度学习和数据驱动的通过性评估研究新进展。最后，对未来火星车通过性判断发展方向进行了展望。

火星表面地形地貌复杂，为了保证火星车行驶安全，需要对巡视器周边土壤的图像信息进行判别和分类。首先，根据试验场地和图像信息等对图像进行预处理，建立鸟瞰图像。接着，以鸟瞰图像为基础建立图像块并建立数据集，建模集和预测集分别包含315组和135组数据。然后，在划分的数据集基础上建立神经网络模型，并对数据进行训练和分类。最后，根据得到的分类模型对图像进行分类，得到感兴趣区域。分类结果表明：应用ResNet50得到的模型其建模集和预测集的分类准确率分别为75.56%和81.48%。该方法可实现巡视器周边地表类型的分类，并提取图像的感兴趣区域，以便实现更为精准的判别，可用于实现火星车通过性感知、风险预测和路径规划，为未来智能星球车移动系统研制和探测提供理论和技术支持。

传统的多变量分析方法是LIBS定量建模的主要手段，但光谱的输入维度较高，很多算法需要提前对光谱进行降维或特征谱线提取，导致部分信息丢失，影响准确率.针对该问题，本文引入以深度卷积神经网络Inception为基础的定量建模方法，算法设计时将原有常规的2D卷积网络改造为1D卷积网络以实现光谱信息的全谱输入和特征提取.该方法不仅不需要对原始光谱的降维操作，且其他的预处理如滤波等操作亦可以省略.经多次实验，训练次数为2 000次时具有较好的预测结果，同时并不会出现明显的过拟合现象.此时其平均决定系数（R²）为0.957 9，其均方根误差相比多元线性回归方法平均降低了61.69%，与深度学习方法AlexNet对比也获得较好结果.