随着全球地理信息技术的发展,地形数字化已经影响到了各行各业。而数字高程模型（Digital Elevation Model,简称DEM）作为一种基础地学模型,不仅能实现地形的数字化模拟,更影响着一系列基于DEM的基础地学实验。但是,就现阶段而言,高质量的DEM很难获得,因为这个过程十分的耗时而且昂贵,并且高精度数据的获取也十分受到限制。但是,如果使用机器学习技术解决这个问题,就可以低成本、高效地生成高质量DEM,并将其用于没有能力获取地面真实DEM数据的地方。本文以此为背景,基于精度更高的ICESat/GLAS数据分析了湖北省区域内四种常见DEM的数据精度,综合坡度、坡向、地形地貌等地理影响因子,讨论其对DEM数据精度的影响,并通过对比实验建立了一个合适的模型来提升现有的DEM数据精度。本文的主要工作包括以下几个方面:1、分析了湖北省区域内四种DEM数据的高程精度,并通过数据处理和地理适配初步建立本文所需要的数据集。同时,分析地形因子对误差的响应,并据此对模型进行特征选择。实验结果表明,四种常见的全球DEM数据均存在一定的误差,且误差均达到了米级。整体上而言,AW3D30数据的高程误差最小,SRTM3数据的高程误差最大。此外,坡度、土地利用类型和地形地貌会对DEM数据精度产生影响,而坡向对精度影响较小。除AW3D30数据外,其他三种DEM数据精度均随着坡度的增大而下降。且处于林地、草地、山脉区域的DEM数据精度也低于其他地区。2、本文基于机器学习、深度学习思想建立了ICESat/GLAS与四种DEM数据的精度提升模型,并对精度提升模型参数进行了参数调优,从而确定不同DEM数据的最优模型参数。最终实验结果显示,本文选取的模型均能改善DEM的数据精度,对SRTM1、SRTM3、AW3D30、ASTER GDEM的高程误差分别降低了47.5%、34.25%、66.93%和43.59%。3、基于上文的实验结果,本文进一步建立了精度评估及提升系统,它除了提供一系列基础GIS功能之外,还可以实现对DEM数据精度进行自动评价和修正,为需要高精度DEM数据的人员提供了方便、快捷的系统平台。本文对四种全球DEM数据精度进行了评估,并研究了地形影响因子和误差之间的关系,为我国针对地形选取DEM数据提供了一定的参考依据和理论贡献。此外,本文改进后的DEM数据精度均优于原始值,也为在不方便获取DEM数据的地区获取高质量数据提出了一种实际的解决办法。同时,本文开发的精度评估及提升系统也对地学领域的生产单位存在一定的应用价值。