SRTM DEM(shuttle radar topography mission digital elevation model)是覆盖近全球范围的高精度地形产品，在水文调查、灾害评估、生态保护等学科领域中应用广泛。然而已有研究表明SRTM DEM在森林区域的地形明显高于真实地面。树木的枝叶、树干等对雷达信号的吸收和反射，坡度坡向等地形带来的影响等，都给SRTM DEM数据带来了误差。激光雷达(light detection and ranging，LiDAR)技术作为一种新兴的遥感技术，能够很好的获得目标物的空间三维信息，尤其在获得森林地区地形中具有明显的优势。因此，为了提供全球尺度上高精度的地形产品，我们在全球范围内收集了超过150，000 km2的机载LiDAR数据作为真值，来修正植被覆盖区域的SRTM DEM。同时，利用LiDAR数据获得地形需要进行滤波。已有滤波算法有很多，如基于形态学的滤波算法、基于坡度的滤波算法等。然而由于森林地区植被密集、地形陡峭，这些算法都面临一定的困难。基于上述问题，本论文的研究主要包括基于LiDAR的滤波算法和全球地形产品的修正研究。　　为了开展滤波算法的研究，本文首先在森林区域对已有的经典滤波算法（多尺度曲率分类法，插值滤波算法，形态学滤波算法，渐进三角网滤波算法和基于坡度的滤波算法）进行了详尽的对比分析，探讨了地形、植被等环境因素对不同算法精度的影响。研究结果表明影响因素对滤波算法的影响非常明显，且影响随着滤波算法的不同而有所差异。多尺度曲率分类法在地形陡峭且森林密集区域的精度较高;多尺度曲率分类法和插值滤波算法在地形陡峭且森林稀疏区域的精度优于其他算法;渐进三角网滤波算法在点云密度稀疏的情况下精度相对较高。该结果可以帮助用户根据自己数据的植被和地形特征选择合适的滤波算法。　　在分析已有主要滤波算法特性的基础上，本文提出了结合形态学算法的渐近三角网滤波(improved progressive triangulated irregular network densification，IPTD)算法，该算法利用了形态学算法能保留大部分地面点的优势，为渐近三角网算法提供了足够多的种子点，在此基础上进行三角网加密，能够很好去除植被点，同时也保留了丰富的地形细节信息。我们选择了15个高程、坡度、冠层高度和覆盖度不同的研究区进行算法的验证。通过和其他七个滤波算法进行比较，结果表明提出的IPTD算法在9个研究区的精度最高，且平均总误差最低(3.2％)，平均kappa系数最高(89.5％)。　　我们对收集到的机载LiDAR数据进行了IPTD滤波处理，获得地形产品，并对全球SRTM DEM进行修正。主要步骤如下:1）建立不同植被类型下，SRTMDEM误差和坡度、植被覆盖度和冠层高度的回归关系，得到误差模型。2）根据误差模型，结合全球的坡度、植被覆盖度、树高和植被类型，推算出全球SRTM误差，进而得到修正后的SRTM数据。实验结果表明，初始的SRTM DEM在植被覆盖区域的高差大约在6m，而修正后的SRTM DEM，显著地将植被和地形对SRTM DEM的误差影响降低到接近0m。修正后的SRTM DEM可以通过网站(http://www.3 decology.org)下载和使用。　　以机载LiDAR数据为真值，以美国为实验区域，综合对比分析了ASTERGDEM(thermal emission and reflection radiometer global digital elevation model),GLAS(geoscience laser altimeter system)数据，SRTM DEM, CSRTM(correctedSRTM)，DEM，3DEP(3D elevation program) DEM在不同的地形和植被环境下的精度，探讨其受到地形和植被因素的影响。结果表明3DEP DEM精度最高，GLAS数据和CSRTM DEM的精度相对较好。在没有机载LiDAR和3DEP等高精度地形数据的地方，CSRTM DEM相对于SRTM DEM和ASTER DEM能够提供精度更高的地形产品。我们的研究结果可以指导用户根据自己的研究区域、需要的地形分辨率等因素来选择合适的地形产品。