合成孔径雷达干涉测量技术（Synthetic Aperture Radar Interferometry,InSAR）利用干涉SAR相位获取地表高程信息。对InSAR干涉技术而言,获得的相位存在2π模糊,即存在相位缠绕现象,只有将其恢复至绝对相位才能与高程进行几何转换。因此,相位解缠成为InSAR反演技术中最核心的问题。同时,干涉缠绕相位中存在的大量噪声,需要利用相位滤波算法去除,才能为后续的相位解缠步骤提供高质量的干涉条纹图像,这也使得相位滤波成为现在InSAR技术研究的热点。近年来,深度学习的飞速发展给InSAR技术带来了新的发展机遇,可以通过映射图像之间复杂的非线性关系,直接实现干涉相位滤波与DEM重构。针对传统相位滤波方法在高噪声下难以还原条纹边界纹理的问题,本文提出一种基于卷积神经网络的相位解缠算法,设计卷积层提取干涉相位的主要结构特征,在保留干涉条纹细节的同时能有效滤除噪声的影响。通过实验对比,发现该网络即使是对低信噪比的干涉相位图,其去噪能力依然能达到很好的效果,在条纹密集区域也能有较好的表现,整体的滤波精度优于传统相位滤波算法。除此之外,针对传统相位解缠方法在陡峭地形中效果不佳的情况,本文还提出了两种深度学习算法以实现由带噪的缠绕干涉相位图和强度图到数字高程模型的转换。以双通道网络和孪生网络为基础,将缠绕干涉相位和强度共同作为输入图像,通过参数训练最终得到数字高程模型。通过实验对比,一方面,双输入比单输入干涉相位图像得到的地面高程精度更高。另一方面,相同质量的干涉经过相位图深度学习算法获得的DEM精度高于传统高程重建方法,这验证了本文提出的两种双输入网络能被应用于高程重建中,且在干涉相位图信噪比低的情况下依然能有较好的结果。