以星载激光雷达ICESat–2为参考数据源，将NASA DEM作为实验数据，分析了其在横断山区中西部复杂地形地貌区的整体高程精度；同时，研究了DEM误差与地表变量（如坡度、坡向、起伏度、植被覆盖度、土地利用类型等）之间的关系。为校正NASA DEM的高程误差，引入随机森林、反向传播神经网络、极度梯度提升树模型和轻量级梯度提升模型等4种机器学习方法，结合地表变量构建了高程误差校正模型并对校正后的NASA DEM进行精度分析。结果表明：NASA DEM的高程平均误差为–3.5 m，平均绝对误差为8.2 m，均方根误差为11.7 m，高程误差符合正态分布。NASA DEM的高程精度随着坡度、起伏度和植被覆盖度的增大而降低，不同坡向和土地利用类型下的高程精度存在较大差异。4种机器学习模型均能校正NASA DEM的高程精度，校正后的平均误差、平均绝对误差和均方根误差均有所改善；RF、XGBoost和LightGBM校正后的平均误差均为0 m;BPNN校正后平均绝对误差最低为6.9 m;BPNN和XGBoost校正后均方根误差最低均为10.6 m;BPNN校正后的R2值最高；BPNN在不同土地利用类型下的校正精度表现最佳。本研究结果为地学研究中选择和应用NASA DEM时提供精度上的参考依据，并通过引入多种机器学习模型，为NASA DEM及其他全球DEM产品高程误差校正研究提供了有效的方法论。