La planificación de rutas globales para rovers en superficies planetarias es crucial para optimizar los beneficios de exploración y la seguridad del sistema. En los casos de desplazamientos de largo alcance o restricciones de obstáculos que varían con el tiempo, existe una necesidad urgente de mejorar la eficiencia computacional de la planificación de rutas. Este artículo propone un método de planificación de rutas global basado en aprendizaje que supera a los métodos convencionales de búsqueda y muestreo en términos de velocidad de planificación. Primero, se construye un mapa de características distinguibles a través de un análisis de transitabilidad del modelo digital de elevación extraterrestre. Luego, considerando la eficiencia y adaptabilidad de la planificación, se diseña un marco jerárquico que consiste en iteración de pasos e iteración de bloques. Para la planificación de cada paso, se propone un planificador de pasos de extremo a extremo llamado SP-ResNet, que se basa en el aprendizaje por refuerzo profundo. Este planificador de pasos emplea una red residual de doble rama para la estimación del valor de acción y se entrena sobre una colección simulada de mapas DEM. Análisis comparativos con líneas base demuestran la notable ventaja de nuestro método en términos de velocidad de planificación. Finalmente, se verifica que el método es efectivo en terrenos lunares reales utilizando CE2TMap2015.