山地高分辨率数字高程模型（Digital Elevation Model, DEM）的构建对于环境监测、防灾减灾、工程建设和生态保护具有重要意义。然而，复杂的地形条件和多变的气候环境使得利用光学卫星影像立体测图生成高分辨率DEM面临诸多挑战，例如高程精度较低以及云雾遮挡问题。为此，本研究提出了一种融合多源遥感数据与深度学习方法的山地无缝高精度构建框架。首先，利用星载激光测高数据提升光学卫星立体影像对的空三平差精度，从而生成分辨率为5米的高精度DEM。其次，提出一种能够保证垂直精度与平面纹理信息的TIDA-SR超分DEM网络适用于云雾及低质量区域重建。最后，将深度学习生成的云区5米DEM与光学立体测图获得的5米DEM进行融合。在中国黄土高原与美国落基山地区的实验结果表明：（1）在垂直精度方面，引入星载激光测高数据可使精度提升48%–80%；（2）在云雾覆盖区，深度学习重建的DEM在平面纹理细节上与非云区区域高度一致，垂直精度误差约为3–6米；（3）基于深度学习重建DEM计算得到的地形因子（如坡度与坡向）与原始DEM对应指标的相关性高于插值方法，相关系数超过97%。本研究有效提升了高程精度并填补了数据空缺，显著改善了山地区域DEM的精度与可靠性，为高精度DEM的构建及其在环境监测、防灾减灾和地理分析中的应用提供了一种新的思路与方法。
 

DEM,深度学习