从20世纪50年代末开始至今，世界上已成功实施了大量的月球探测工程任务，其间经历了第一次探月高潮、探月宁静期和第二次探月高潮3个阶段，探测方式经历了飞越月球、硬着陆、环绕月球、软着陆、无人采样返回、载人登月阶段（欧阳自远，2005）。获得的海量遥感观测数据和丰富的科学资料为月球科学研究奠定了基础。

21世纪以来，国际上掀起第二次探月高潮，月球探测进入了新的黄金期。发射的月球探测器主要包括欧盟的智慧一号（SMART-1）轨道器，日本的月亮女神（SELENE， 又称KAGUYA），印度月船一号（Chandrayaan-1）轨道器、月船二号（Chandrayaan-2）轨道器，美国月球侦察轨道器LRO（Lunar Reconnaissance Orbiter）、圣杯号月球重力和内部结构探测器（GRAIL）、月球大气与尘埃环境探测器（LADEE），中国的嫦娥一号轨道器、嫦娥二号轨道器、嫦娥三号着陆器和巡视器、嫦娥四号着陆器和巡视器。在轨道器影像数据中，LRO窄角相机影像分辨率最高（0.2—2 m），几乎覆盖全球，但立体影像覆盖很少；嫦娥二号影像是分辨率最高的覆盖全球的立体影像（7 m）（邸凯昌 等，2016）。

自1960年至今，全世界已开展了44次火星探测，成功率不到一半，经历了飞越、环绕、软着陆等多种探测方式。20世纪90年代以前的火星探测，主要集中在1960年—1975年间，这期间的火星任务中，美国的海盗号（Viking）轨道器和着陆器任务是获取数据最多、科学价值最大的任务，Viking-1和Viking-2轨道器获取的影像覆盖火星全球，分辨率为7—1400 m，超过一半的图像分辨率优于100 m；1975年—1988年间没有火星任务。

20世纪90年代后的火星探测技术逐渐走向成 熟，工程成功率稳步提升的同时，科学价值也有显著增加。发射的火星探测器主要包括美国的火星全球勘探者（Mars Global Surveyor）号轨道器、火星探路者（Mars Pathfinder）号着陆器、火星奥德赛（Mars Odyssey）轨道器、勇气号和机遇号火星探测车（Mars Exploration Rover）、凤凰号（Phoenix）着陆器、火星侦察轨道器MRO（Mars Reconnaissance Orbiter）、好奇号（Curiosity）火星探测车、火星大气和挥发演化 （Mars Atmospheric and Volatile EvolutioN）轨道器，欧空局的火星快车（Mars Express）轨道器、ExoMars系列任务中的气体探测轨道器（Trace Gas Orbiter）。在轨道器影像中，分辨率最高的是MRO的HiRISE影像（达0.25 m），影像覆盖范围较小，立体覆盖更少；火星快车的高分辨率立体相机（HRSC）影像分辨率达10 m，其超分辨率通道分辨率达2 m（邸凯昌 等，2018）。

除了月球和火星之外，水星、金星等太阳系的其他行星以及小行星也与地球的演化有着复杂的联系。水星探测任务主要有1973-11美国发射的水手10号（Mariner 10），以及2011-03进入绕飞轨道的信使号MESSENGER（Mercury Surface，Space Environment，Geochemistry and Ranging）。水手10号以近距离飞越探测方式在1974-03和1975-03两次飞掠了水星，获取了约2800张水星影像（中等分辨率图像分辨率为3—20 km，部分高分辨率图像分辨率优于1 km）。信使号携带的成像系统获取的数据分辨率为250 m。从20世纪60年代开始，人类向金星先后发射了包含飞越器、轨道器、坠落探测器、软着陆探测器等多种探测器，其中最成功的是美国于1989-05发射的麦哲伦号（Magellan）探测器，通过其携带的雷达系统获取的数据制作了分辨率为2025 m的金星表面雷达影像图。

小行星探测任务经历了近距离飞越探测、绕飞探测、附着就位探测和表面采样返回3个发展阶段（吴伟仁 等，2013）。采用近距离飞越探测方式的小行星探测任务主要包括美国的伽利略号（Galileo） 任务和深空一号（Deep Space 1）任务、欧洲航天局的罗塞塔号（Rosetta）任务以及中国的嫦娥二号拓展任务。采用绕飞探测方式的任务主要包括美国的尼尔—舒梅克（NEAR-Shoemaker）任务和黎明号（Dawn）任务。采用附着就位探测和表面采样返回方式的任务主要包括日本的隼鸟号（Hayabusa）和隼鸟二号（Hayabusa-2） 任务，以及美国的奥西里斯-REx （OSIRIS-Rex）任务（李春来 等，2019）。这些探测任务都获取了一批分辨率各异的小行星表面影像，成为了解这些小行星表面形貌特征的基本数据源。

目标识别与分类早期利用边缘提取（Canny，1986）、阈值分割（Otsu，1979） 等直接以颜色、纹理和梯度等浅层特征为主的方法，并发展出一些特定理论的分割方法如基于聚类的分割（Coleman和Andrews，1979）、区域生长（Adams和Bischof，1994）、主动轮廓分割（Xu和Prince， 1998）、分水岭分割（Haris等，1998）、水平集分割（Malladi等，1995）、小波分割（Unser，1995）、编码方法（Ida和Sambonsugi，1998）、基于图论的分割（Wu和Leahy，1993） 、模板匹配方法（Schweitzer等，2002） 、基于显著性图的方法（Itti等，1998） 、超像素方法（Stutz等，2018） 等。这些方法大多数仅为特征的表达与提取，对分割出的对象并没有识别或语义标注的过程。

随着计算机计算能力的不断发展，机器学习方法被用于图像的目标识别与分类。根据训练方式，机器学习的图像识别和分类方法可分为监督学习，非监督学习和半监督学习。监督学习是指训练集中的样本数据包含标签，通过学习输入样本和标签之间的网络映射关系实现分类或回归。无监督学习的数据无标签，根据输入数据的特征相似性，利用类内差距最小化和类间差距最大化的原则进行聚类。半监督学习则介于二者之间，只有部分数据有标签，通过综合利用有标签和无标签的数据生成合适的分类器。早期采用机器学习进行目标识别与分类的方法，根据处理方式可分成基于窗口、基于像素和面向对象的方法（Wang 等，2017） 。基于窗口的方法一般采用矩形窗口遍历图像或随机分布，对当前窗口包含的子图像进行特征提取后，将特征向量输入至分类器进行识别和分类（Papageorgiou等，1998；方涛 等，2016） 。基于像素的方法一般用于多光谱和高光谱影像，考虑图像空间及/或邻域信息，逐个像素进行判别（杜培军 等，2016；张兵，2016） 。面向对象的方法一般将传统图像分割和模式识别相结合，首先利用图像分割方法得到对象，然后仅对对象区域进行特征提取和判别（王贺 等，2013） 。在此时期，采用机器学习方法进行图像目标识别与分类具有代表性的模型和方法主要有决策树（Friedl和Brodley，1997） ，随机森林（Svetnik等，2003），支持向量机（Cortes和Vapnik，1995；Foody和Mathur，2004），Boosting（Schwenk和Bengio，2000；Wu和Ai，2008），神经网络（Fukushima，1988；Maren，1990） 等，同时涌现了一批特征描述算子如Haar（Lienhart和Maydt， 2002），Gabor（Tan和Triggs， 2007），HOG（Dalal和Triggs， 2005），LBP（Wang等，2009） 等。

随着机器学习的不断发展与计算能力的提高，近年来深度学习逐渐成为热门研究方向。20世纪90年代中期提出的LeNet5网络及其手写数字识别应用（LeCun等，1998），被认为是深度学习早期较好的应用典范。早在60年代就提出的训练理论算法如随机梯度下降算法和80年代就使用的反向传播算法（LeCun等，1989），在计算能力提升且在贪婪逐层预训练策略提出后（Hinton等，2006），使得深度学习自2006年重新崛起（Goodfellow等，2016），彼时的主流架构主要为深度信念（置信）网络、自编码网络和卷积神经网络等，同时将深度学习和传统模型相结合的方法也不断涌现（Zhang等，2017；Zhou等，2018）。在2012年由于采用卷积神经网络的目标识别与分类精度具有显著优势，涌现出了诸如AlexNet（Krizhevsky等，2017），VGG（Simonyan和Zisserman，2014），GoogleNet（Szegedy等，2015）等经典结构的深度卷积网络。随着正则化丢弃、残差网络、空洞卷积等概念的提出，深度网络的层数显著提高，精度也得到了提升，诸如ResNet（He等，2016），DeepLab（Chen等，2018a）等。在已有的网络结构和多因素结合下，深度网络更加多元化，如深度对抗网络应用于语义分割也取得了较好的效果（Isola等，2017；Zhu等，2017）。

月球表面影像的目标识别与分类按照地形地貌特征的属性，从环形构造提取与识别、线性构造提取与识别和地形分类3个方面进行介绍。

（1）环形构造识别。月表撞击坑是月球最为典型的环形构造地貌特征，数量多，分布广，由陨石等撞击而形成。早期由于认知水平与技术手段的限制，对撞击坑的识别手段主要为利用望远镜进行目视识别。随着大量月球轨道器影像数据的成功获取，逐渐演变为利用轨道器影像数据进行撞击坑的人工目视判读，如Losiak等（2009）利用轨道器影像对撞击坑进行目视判读，在当时已有的撞击坑数据库基础上共识别出8680个包含位置和基本信息的撞击坑并入库。

本文将月表撞击坑自动提取与识别方法归为两大类，一类为基于形态特征提取的算法，即根据撞击坑的环形凹坑形态对其进行识别，另一类为基于机器学习的算法，包括近年来流行的深度学习方法。基于形态特征提取的方法常基于轨道器影像或DEM信息，一般利用Canny算子，霍夫变换等传统图像处理方式拟合圆或椭圆进而识别。例如Li等（2011）利用嫦娥一号CCD影像为实验数据，首先进行区域分割然后利用Canny算子及形态学处理方法对撞击坑进行识别；Saraiva等（2006）提出撞击坑自动识别的结构化方法，包括边缘检测，模板匹配，撞击坑识别3个阶段；Chen等（2018b）利用DEM数据进行地形分析并辅以形态学方法对撞击坑边界进行提取；罗中飞等（2014）将CCD影像和DEM数据进行融合处理对撞击坑进行提取；刘宇轩等（2018）利用嫦娥二号DEM数据，分析小型撞击坑模型的等高线特征，建立指标体系，并利用霍夫变换进行撞击坑提取。

基于机器学习算法的月表撞击坑自动提取与识别主要分为使用传统方法和深度学习方法。使用传统机器学习方法对撞击坑进行分类识别的方法主要有AdaBoost，支持向量机，决策树等，如熊娟等（2014）研究了基于AdaBoost和SVM的撞击坑分类算法，并做对比分析，李卉和钟成（2013）借助决策树进行了撞击坑识别等。Wang和Wu （2019）提出了一种从影像和DEM中主动学习提取撞击坑的方法，分类器采用传统机器学习算法，在训练阶段利用DEM信息自动增加训练样本，用月球和火星数据试验表明可以提高从影像中提取撞击坑的性能。近年来，利用深度学习网络的撞击坑检测方法达到了与传统机器学习方法相媲美甚至超越的结果，涌现了一批月表撞击坑检测识别的网络，如CraterIDNet（Wang等，2018），CraterNet（Glaude，2017）等。Chen等（2018b）将撞击坑识别任务视作目标检测任务，借助深度学习网络设计了一个两阶段的方法进行检测识别。Silburt等（2019）则验证了使用卷积神经网络从DEM数据识别撞击坑的可行性。

关于月表撞击坑的数据库，Kinser等（2013）利用LRO影像数据对月球正面西部的大于5 km的撞击坑人工识别、数字化和建库，并记录基于撞击坑经纬度位置对其设定的识别编号，撞击坑中心坐标，直径大小，溅射席形态，内部形态，保存状态等信息。王娇等（2014）利用嫦娥一号CCD影像数据、嫦娥一号激光高度计数据等多源数据，结合遥感图像处理与专家知识融合的智能化识别方式对全月撞击坑进行提取，识别了106030个撞击坑。Krüger等（2018）对全月直径大于3 km的5505个新鲜撞击坑进行识别和建库，并对其详细的形态特征数据进行记录。Robbins等（2019）基于轨道器影像和地形信息在全月范围内识别了超过200万个直径大于1—2 km的撞击坑，并证明该数据库可为撞击坑相关研究提供坚实支撑。

（2）线性构造识别。月表的线性构造主要有皱脊、月溪等。早期对线性构造的识别主要为利用望远镜人工识别并绘制（Strom，1964）。近年来高分辨率轨道器影像的获取，为线性构造的识别提供了数据支撑。

由于皱脊等构造形态的复杂性，在月球科学研究中，大量的皱脊提取工作还是主要由人工作业目视解译完成，如Yue等（2015）以LROC WAC影像为数据，根据形态学特征（坡度变化等）利用人工目视的方法提取皱脊，并将其分为3类；Yao和Chen（2018）在SELENE获取的高分辨率影像上目视识别了澄海区域的皱脊；Li等（2018a）在LRO WAC影像上通过人工识别的方式识别出静海和澄海区域的皱脊。

月表线性构造的自动提取方法也有一定的研究结果，主要利用地形曲率、相位信息、形态学运算、小波变换等方法。如李婧等（2014）将月岭月溪对应视作地形特征线，并将一种基于地形曲率提取地球上地形特征线的算法应用至月球，对线性构造进行提取；娄艺蓝和康志忠（2018）利用月表线性构造在高程上的特殊性，辅以区域坡度，利用DEM的平均坡度对其进行多次平均滤波以逼近真实构造，进而对线性构造进行提取。考虑到月脊是对称的特征，Micheal等（2014）利用相位信息以及形态学操作自动提取显著的月脊，取得了较基于曲率的方法更好的提取结果。Peng等（2019）对坡度信息进行相位对称性计算，并结合形态学处理方法，基于DEM数据对月脊进行提取。Tamililakkiya等（2011）则使用哈尔小波变换以及二值化的方式检测月表的线性特征。

（3）地形分类。月球地形地貌的分类可根据影像色调、物质组成、形成年代等差异粗分类分为月海与高地两大类。通过人工目视识别的方式识别月海与高地是传统可靠的方法（Tanaka和Survey，1994；Wilhelms，1990）。关于月球地形分类的自动方法有基于单一DEM数据、CCD影像数据或者结合DEM数据与CCD影像，在纹理、坡度等方面构建特征，并利用传统图像处理方法如Kmeans聚类、分水岭分割等方法进行分类。如周增坡等（2011）以嫦娥一号遥感影像及对应的500 m分辨率DEM为数据，并在高程、坡度、起伏度、影像灰度值等方面进行处理，利用最大似然法对月海与高地进行自动提取，结果与美国地质调查局出版的地质图有较好的一致性。王琛智等（2015）同样以嫦娥一号获得的全月DEM数据为数据基础，利用灰度共生矩阵模型对月海和高地的纹理进行量化并筛选，分别构造特征向量，以离差平方和为识别依据实现月海和高地的自动识别。Xie等（2015）利用DEM数据的局部对比度信息进行了识别工作。Jiang等（2015）以嫦娥一号CCD影像为数据，采用分块聚类的方法识别月海与高地。黎战凯等（2017）在Jiang方法的基础上使用平均灰度、标准差，粗糙度以及对比度这4个特征，利用K-means方法对H010 和虹湾（SI）区域的月海与高地进行了识别，后又提出一种结合CCD影像以及DEM数据的动态分块迭代算法，实质上仍为设计特征后进行传统聚类的方法，以虹湾（SI）、H010和危海（Crisium）区域为实验区域，取得了优良的分类结果（Li等，2016）。Chang 和 Li（2016）基于DEM信息和CCD影像数据，利用分水岭分割的方法对SI和 Crisium区域的月海与高地地形进行了识别。Chen等（2016）也采取了分水岭分割的方法，但是加入了自适应阈值的策略。Cheng等（2010）未按照月海与高地进行分类，而是将月球影像上的地形特征分类为shadow，Crater， Crater（no shadow）， flat等4类，利用梯度直方图特征开发了自动的月球影像分类系统，并用阿波罗获得的月球影像进行了实验验证。

火星遥感影像的目标识别与分类按照地形地貌特征的属性，从构造地貌、风成地貌、水成地貌、其他地貌的提取与识别，以及地形分类几个方面进行介绍。

（1）构造地貌。火星表面的构造地形地貌主要有撞击坑、火山等，早期主要采用手工进行撞击坑提取（刘宇轩 等，2012），如Barlow等（1988）从20世纪80年代利用Viking影像人工判别和统计了火星大撞击坑数据，后续利用火星全球勘探者的MOC （Mar Orbital Camera）、MOLA （Mars Orbiter Laser Altimeter）和TES （Thermal Emission Spectrometer）数据对撞击坑数据进行了更新。对大于1 km的撞击坑，Robbins和Hynek（2012a，2012b）通过人工方式建立了数据库。基于影像灰度、DEM等信息，利用特定的图像处理方法进行构造地貌提取和识别的方法有：结合边缘提取和DEM数据的方法（Salamuni?car等，2011，2012），利用DEM和等值线关系与形态学拟合的方法（王栋 等，2015a），主成分分析的方法（刘安 等，2016），模板匹配方法（Vinogradova等，2002） （Kim等，2005）等。采用机器学习方法提取识别撞击坑是研究最多的方法，传统的机器学习方法一般是利用光照、纹理、梯度等信息建立窗口/区域的特征向量，然后利用分类器进行识别分类（Stepinski等，2012）。近年来深度学习中的卷积神经网络在提取和识别撞击坑方面进行了较好的应用（DeLatte等，2019b）。表1为近年来发表的文献中，采用机器学习（包含深度学习）对火星撞击坑提取特征表达方法、分类器和采用的数据信息一览表。

（2）风成地貌。火星由于存在大气，因此有与地球上类似的风成地貌。开展过自动提取和识别研究的典型风成地貌有暗条纹、沙丘、尘卷风痕迹等。

关于暗条纹的提取和识别，早期部分学者利用单一数据源如MOC、HiRISE（Chuang等，2007），或者长时间跨度的多数据源如Viking和MOC（Schorghofer等，2007），Viking和CTX（Bergonio等，2013），通过人工作业对暗条纹进行标注识别，并根据其统计特性研究其成因和内部机制。传统图像处理方法主要有Da Silva等（2018）的一种变体小波的波原子方法结合形态学方法。机器学习方法数据利用较多的是HiRISE影像，方法多数是利用如熵值计算、边缘提取等方法建立面向对象的方法，在待选区域或者其外接矩形提取诸如统计特征、LBP特征等，利用分类器诸如贝叶斯分类、决策树、SVM、Adaboost和神经网络等训练分类器来识别暗条纹（Wagstaff等，2012；Wang等，2017）。深度学习方面，则有使用HiRISE影像采用卷积神经网络对火星表面的火山椎（volcanic rootless cones）和横向风成山脊（transverse aeolian ridges）进行像素级的提取识别（Palafox等，2017；Scheidt等，2015）。

关于沙丘的自动提取和识别方法，Carrera等（Carrera等，2019）基于像素进行梯度和统计特征描述并由R-vines模型学习后，对MOC-NA影像上的沙丘进行识别。Bandeira等（2011，2013）利用MOC影像，分别采用梯度特征、灰度直方图特征，利用随机森林、SVM和boosting方法训练分类器进行沙丘识别。另外还有利用几何、光谱、纹理和形态等特征，采用神经网络进行识别CTX影像上沙丘走向的方法，从而根据走向进行统计和特性分析（Vaz等，2015）。

其他的风成地貌诸如尘卷风痕迹和沙尘暴提取和识别的研究较少，主要有基于形态学方法对MOC-NA和HiRISE影像上的尘卷风痕迹进行自动提取（Statella等，2012）， 以及利用多源数据特征提取和SVM分类器对火星沙尘暴进行检测（Maeda等，2015）。

（3）水成地貌。火星上的水成地貌主要有河谷网、冲沟等，由于其成像特征复杂，自动提取的方法报道较少。Li等（2015）采用采用数学形态学方法对HiRISE影像上的冲沟进行了提取。河谷提取则主要采用DEM数据，根据洪水填充方法或排水方法（drainage algorithm）提取河谷/山谷网络（Molloy和Stepinski，2007；Stepinski和Collier，2004）。

（4）其他地貌识别。其他地貌特征的识别主要包括石块的识别，多采用巡视器的影像和深度数据，以传统图像处理和特定方法为主。Thompson和Castano等（2007）对比7种提取石块的方法，主要包含基于边缘检测、阴影和灰度信息、双目几何信息、基于窗口的Adaboost以及基于像素的SVM等方法。采用特定方法进行石块提取和分割的主要有：结合影像Mean-shift分割与三维数据的判别的方法（Di等，2013），基于区域梯度的水平集方法（Yang和Kang，2019），基于超像素分割并结合区域对比度的方法（Dunlop等，2007；Li等，2018b；Xiao等，2017），背景特征稀疏建模和自动阈值分割方法（Xiao等，2018）。

（5）地形分类。地形分类早期主要通过聚类和传统机器学习方法实现（Gao等，2014）。Bue和 Stepinski（2006）采用DTM数据根据非监督分类方法，将特征向量相似性高的像素聚类得到分类结果。Stepinski 和 Bagaria（2009）利用DEM的特征属性，采用无监督聚类方法对火星的Tharsis区域进行了地形分类。Shang 和 Barnes（2013）采用自适应模糊粗糙特征选择，利用SVM并同时对比了特征选择和多个机器学习方法分类的结果。Ono等（2015，2016）通过提取图像灰度信息、梯度和距离等特征，利用随机森林进行训练和地形分类。深度学习方法则在近年的研究中被采用，如Rothrock等（2016）利用全卷积网络分别对轨道器影像和巡视器影像中的地形进行分类，其结果应用于着陆区分析和巡视器路径规划（Ono等，2018）。

其他行星的影像目标识别与分类研究进展将从太阳系其他行星和小行星两个方面分别展开。

太阳系的其他类地行星主要为水星和金星的探测。水星表面的目标识别主要为撞击坑，如Barnouin等（2012）利用信使号的水星激光高度计MLA（Mercury Laser Altimeter）和水星双成像系统 MDIS（Mercury Dual Imaging System）所测得的地形数据，对撞击坑进行解译并分析了深度和直径之间的关系。金星表面的目标识别除了撞击坑，皱脊也受到关注。Schaber等（1992）利用麦哲伦号获取的数据编制了金星表面842个撞击坑数据库。Kreslavsky和Basilevsky（1998）在金星平原上随机选取的30个地点测量了金星上皱脊的宽度，并与其他类地行星比较，发现金星上的皱脊一般比其他行星更窄。Barata等（2015）则提出了一种从麦哲伦号合成孔径雷达的图像中自动检测不同尺度皱脊的方法。

小行星探测任务中的目标识别主要是对小行星的外观、三维形状、物理特性以及地形地貌进行识别。下面分别对几个阶段的小行星探测任务中使用遥感影像进行目标识别的研究进展进行综述。

（1）采用近距离飞越探测方式。美国伽利略号探测器在前往木星的途中于1991-10飞越了小行星Gaspra，研究人员通过分析传回的57张影像（最高分辨率达到54 m）上的撞击坑特征，认为其可能是由较大天体经过剧烈碰撞后产生的单一致密的天体（Huang等，2013；Veverka等，1994）。此外，伽利略号探测器还飞越了小行星Ida，借助于相机获取的影像（分辨率为31—38 m），研究人员拟合出了Ida小行星的形状。美国深空一号探测器于1999-07飞越了近地小行星Braille，利用探测器搭载的相机—光谱综合仪等设备对小行星Braille的形状、大小 、表面特征等进行了探测（Rayman等，2000；李春来 等，2019）。欧洲航天局的罗塞塔号探测器分别于2008-09和2010-07飞越了小行星Steins和Lutetia，通过拍摄的影像（分辨率达到60 m）解译和分析了这两个小行星的形状和表面特征（ Barucci等，2015；王栋 等，2015b）。中国的嫦娥二号探测器在完成月球探测任务后，于2012-12-13飞越小行星Toutatis。研究人员利用监视相机获取的光学影像（最高分辨率优于3 m）对表面撞击地形地貌的分析，结合质量分析推断出图塔蒂斯可能由两个独立的小天体缓慢靠近形成的具有碎石堆结构的密近双小行星（Zou等，2014）。

（2）采用绕飞探测方式。美国尼尔-舒梅克探测器于2000-02对近地小行星Eros（爱神星）进行了一年多的绕飞探测，研究人员结合覆盖表面的约1.6万张影像（最高分辨率达到几十厘米）和其他载荷探测数据，恢复了爱神星三维模型，发现其具有类似马铃薯的极不规则外形，且表面具有山脉状形态和陨石坑（Zuber等，2000）。美国黎明号探测器分别于2011-07和2015-03到达小行星Vesta（灶神星）和Ceres（谷神星）。通过探测器在高测图轨道HAMO（High Altitude Mapping Orbit ）获取的分辨率为65 m的灶神星表面图像数据，研究人员绘制了灶神星的DTM（Preusker等，2014）。徐青等（2016）根据影像构建三维地形，并提出了一种基于等值线分析的撞击坑特征识别方法。Liu等（2018）和Gou等（2018）分别采用人工提取方式建立了Vesta表面直径大于0.7 km撞击坑数据库和Ceres表面直径大于1 km撞击坑数据库。

（3）采用附着就位探测和表面采样返回方式。日本隼鸟号探测器在着陆前利用搭载的光学导航相机（视场为5.83°×5.69°，分辨率为1024×1000像素）、激光测距仪等设备在20 km和7 km的高度获取多个角度的小行星Itokawa影像和数据。借助于高分辨率的影像，研究人员发现Itokawa的整体形状接近于一只海獭（Fujiwara等，2006），且表面由于微重力吸附了一定数量的岩石块，表面形貌呈现出岩石特征，这说明它是被微弱重力聚在一起的岩石和冰块，而非单一致密天体。在隼鸟号探测器之后，隼鸟二号对小行星Ryugu（龙宫）上的水和有机物的岩石进行探测。隼鸟二号探测器在2018-06底与Ryugu交会，并在约20 km的距离处原地盘旋，使用相机等科学载荷进行遥感拍照探测（Castelvecchi，2018）。借助于隼鸟二号上的光学导航相机ONC-T（2 km×2 km的视场以及2 m的空间分辨率）获取的影像数据，研究团队完成了龙宫的全球测图，揭示了龙宫的自旋轴方向、旋转周期、形状和地形（Watanabe等，2017），并最终成功实现了软着陆（Nogrady，2018）。美国奥西里斯-REx任务的探测目标是小行星Bennu（贝努），该采样返回探测任务于2016-09发射，并计划在着陆采样完成后于2023-09返回地球。借助于奥西里斯-REx探测器搭载的相机套件，可以对小行星贝努和采样区进行拍照，从而绘制贝努的全球影像，除此之外，还有用于地形探测的激光高度计等科学载荷，共同完成该任务的多个科学目标（Gal-Edd和Cheuvront，2015；李春来 等，2019）。这些科学数据均可作为特征识别与分类的基础数据。目前为止其他类地行星和小行星的表面特征识别和分类工作主要依靠人工目视解译和标注，自动化程度还有很大发展空间。