DEM数据是一种应用于地球科学领域的重要基础数据,目前获取高分辨DEM数据主要有两种方法,一是通过遥感卫星、航测飞机、地面全站仪等测绘平台来获取高精度的DEM数据;二是结合目前公开发布的DEM数据,通过设计相关模型或算法对已有的DEM进行分辨率提升。由于通过第二种方法获取高分辨率DEM数据具有较低的实现成本和比较强的可操作性。因此,探究如何从模型或算法层面来快速高效地获取高精度的DEM数据具有十分重要的意义。近些年,深度学习技术得到了快速发展,人工神经网络模型凭借其具有的强大的特征学习能力,能够进一步挖掘数据中存在的深层信息。因此,本文将目前应用广泛的深度学习方法应用到DEM超分辨率研究中,分别从监督学习和非监督学习的角度出发构建模型,进一步提高重建DEM的数据精度和实现效率。本文的主要研究内容如下:（1）构建了一个面向DEM超分辨率重建的端到端的卷积神经网络模型,该模型仅由三个卷积层组成便能够充分学习低分辨率DEM和高分辨率DEM之间的特征映射关系。通过相关实验可以得出,基于监督式学习的卷积神经网络方法相比传统的插值算法在重建DEM的纹理细节恢复上具有更好的效果。（2）在卷积神经网络模型的基础上,本文对模型的网络层数进行扩增,构建了一个基于深度残差网络的DEM超分辨率模型。相比较传统的插值算法以及网络层数较少的卷积神经网络方法,深度残差网络模型在PSNR、MAE和RMSE等指标的评价结果上均存在一定的优势。（3）为了探究非监督学习方法在DEM超分辨率研究中的适用性,本文将生成对抗网络应用到DEM超分辨率研究中。通过相关实验可以得出,生成对抗网络能够生成具有丰富纹理细节的高分辨率DEM数据,在PSNR、MAE和RMSE等指标的评价结果上均领先于传统插值方法和卷积神经网络方法。总之,本文提出的方法将基于深度学习的图像超分辨率方法应用到DEM超分辨率研究中,充分体现了基于监督式和非监督式的深度学习方法在DEM超分辨率研究中的适用性和优越性。