数字高程模型（Digital Elevation Model,DEM）作为现代数字地图4D产品的一部分,在地貌学、水文学及土壤学等领域具有广泛的应用。在黄土地貌区,地表形态易在短时间内受暴雨侵蚀和人类活动等外力作用影响,使得区域内高精度DEM数据的快速与准确获取是黄土高原数字地形分析与应用研究的重要基础。无人机（Unmanned Aerial Vehicle,UAV）摄影测量在短时间内可获取海量点云数据,这为构建表征高程的DEM和数字表面模型（Digital Surface Model,DSM）提供了数据支持,是高分辨率地表建模的重要数据源。在黄土地貌区,植被类型复杂,在相当程度上影响了DSM向DEM的转化过程。且以往研究大多是通过粗略划分植被区域,统一降低植被高度还原DEM,造成地面点高程的误差较大,所获得的DEM数据严重失真,成为相关研究中亟待解决的问题。鉴于近些年深度学习在图像识别、目标检测、语义分割领域的优异表现,本文提出一种基于深度学习的DEM生成方法。首先通过全卷积神经网络（Fully Convolutional Network,FCN）模型实现植被分割。该模型借用跳跃连接思想,采用U-net多级架构,对特征图与上采样的输出图堆叠拼接,扩大维度,表达植被的多层特征。并引入正则化和交叉验证,通过随机抑制参数表达防止模型过拟合。基于面状植被要素提取结果,采用一种顾及植被高度的自适应高程处理方法,对植被面状要素进行高程修正。通过空间分析,分类处理地形中的稀疏单株植被和连续植被区域,最终构建出高精度DEM。在网络模型中,通过对不同通道组合进行结果对比,选用影像图和DSM图组合,通过对照植被标签图,训练相关地区的影像图和DSM图,修正参数使其具备学习能力。验证精度达到94.97%,训练损失达到0.12。预测新样区的植被分割结果显示,F₁调和平均数均大于78%;在DSM向DEM的转换中,选取黄土地貌区的三个小样区,利用高分辨率影像图、测绘基础地理数据、实测地面点数据进行结果评价,整体高差范围位于（-0.42m,0.16m）之间。对比多种方法与数据,本文提出的高分辨率DEM生成方法,更能精准降低植被高程,高保真地表达地形细节,实现了黄土地貌区精细化地形的自动生成。