La comprensión de la dureza de las rocas en planetas extraterrestres ofrece valiosos conocimientos sobre la evolución geológica planetaria. La dureza de las rocas se correlaciona con parámetros morfológicos, que se pueden extraer de imágenes de navegación, evitando el tiempo y el costo de muestreo y retorno de rocas. Esta investigación propone un enfoque de aprendizaje automático para predecir la dureza de las rocas extraterrestres utilizando características morfológicas. Se creó un conjunto de datos personalizado de 1496 imágenes de rocas, incluyendo granito, caliza, basalto y arenisca. Se extrajeron diez características, como redondez, alargamiento, convexidad y valores de color Lab, para la predicción. Se entrenó un modelo fundamental que combina Random Forest (RF) y Support Vector Regression (SVR) a través de validación cruzada. La salida de este modelo se utilizó como entrada para un meta-modelo, que se sometió a un ajuste lineal para predecir la dureza de Mohs, formando el modelo Meta-Random Forest y Support Vector Regression (MRFSVR). El modelo logró un R de 0.8219, un MSE de 0.2514 y un error absoluto medio de 0.2431 durante la validación. Se utilizaron muestras de meteoritos para validar las predicciones del modelo MRFSVR. El modelo se utiliza para predecir la distribución de dureza de las rocas extraterrestres utilizando imágenes de la cámara de navegación y terreno (NaTeCam) del rover Tianwen-1 en Marte y un conjunto de datos simulado de rocas lunares de un sitio web de código abierto. Los resultados demuestran el potencial del método para mejorar la exploración extraterrestre.