航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission,SRTM）获得的高程数据在测绘、遥感、自然灾害监测和国防领域发挥重要作用。通常,数字高程模型（Digital Elevation Model,DEM）基于SRTM数据实现,因此,DEM的精度取决于SRTM数据的精度。然而,SRTM高程数据中存在大量数据缺失,导致DEM精度不高。为了提高DEM的精度,需要对SRTM缺失数据进行修复。传统插值方法不能很好地利用局部缺失数据与全局非缺失数据之间的关系。此外,插值算法不但需要人工去除SRTM高程数据中的异常值,耗费大量人力。同时,插值效果取决于数据缺失区域的面积大小,结果鲁棒性低。近年来,深度学习被广泛应用于各个领域,在各种应用中取得了优异的效果。针对插值方法存在的问题,本文提出基于深度学习的数字高程修复方法。首先,本文利用卷积神经网络（Convolutional Neural Network,CNN）修复残缺的SRTM数据。CNN在训练过程中不断学习并减小自身SRTM数据修复结果与真实SRTM数据之间的差距,使其修复数据与真实数据不断逼近。训练完成之后,CNN具备自动修复SRTM残缺数据能力。其次,本文基于条件生成对抗网络（Conditional Generative Adversarial Network,CGAN）修复残缺的SRTM数据。CGAN由两个网络组成:生成器（Generator）和判别器（Discriminator）。生成器负责根据残缺的SRTM数据修复出完整的SRTM数据;判别器负责判别生成器修复的SRTM数据与真实SRTM数据之间的真伪关系。生成器在与判别器之间的对抗训练中不断提升学习能力,修复残缺SRTM数据。与基于插值的高程数据修复方法相比,神经网络能充分利用数据的局部和全局信息,自动去除SRTM高程数据的异常值,自动修复残缺数据,节省人力且提升数据修复的精度。然而,CNN和CGAN均基于数据建模进行SRTM高程数据修复,没有考虑地形的阴影几何条件约束,在SRTM高程数据修复过程中难免产生不合逻辑的修复结果。针对这一问题,本文提出基于阴影约束深度学习的数字高程修复方法。利用山体阴影信息构建合理的数学模型来纠正神经网络不合逻辑的修复结果,达到数据精确修复的效果。