El modelo digital de elevación (DEM) se ha utilizado con frecuencia para la reducción y gestión del riesgo de inundaciones. Se han desarrollado varios métodos de clasificación para extraer DEM de nubes de puntos. Sin embargo, la precisión y la eficiencia computacional necesitan ser mejoradas. Los objetivos de este estudio fueron los siguientes: (1) determinar la idoneidad de un nuevo método para producir DEM a partir de datos de vehículos aéreos no tripulados (UAV) y detección y medición de luz (LiDAR), utilizando una clasificación de nubes de puntos en bruto y filtrado de puntos en el suelo basado en aprendizaje profundo y redes neuronales (NN); (2) probar la conveniencia de reequilibrar conjuntos de datos para la clasificación de nubes de puntos; (3) evaluar el efecto de la clase de cobertura del suelo en el rendimiento del algoritmo y la precisión de elevación; y (4) evaluar la usabilidad del DEM de LiDAR y UAV estructura a partir de movimiento (SfM) en la cartografía del riesgo de inundaciones. En este documento, se propone y prueba un nuevo método de clasificación de nubes de puntos en bruto y filtrado de puntos en el suelo basado en aprendizaje profundo utilizando NN en datos de LiDAR y UAV. La NN fue entrenada con aproximadamente 6 millones de puntos de los cuales se extrajeron características geométricas locales y globales y datos de intensidad. La evaluación de precisión pixel por pixel y la inspección visual confirmaron que el filtrado de nubes de puntos basado en aprendizaje profundo utilizando NN es una técnica apropiada para la clasificación del suelo y la producción de DEM, ya que para las áreas de prueba y validación, tanto las clases de suelo como las no suelo lograron un alto recall (>0.70) y altos valores de precisión (>0.85), lo que mostró que las dos clases fueron bien manejadas por el modelo. El tipo de método utilizado para equilibrar el conjunto de datos original no tuvo una influencia significativa en la precisión del algoritmo, y se sugirió no utilizar ninguno de ellos a menos que la distribución del conjunto de datos generado y real permanezca igual. Además, se analizaron las comparaciones entre los datos reales y las nubes de puntos de LiDAR y UAV estructura a partir de movimiento (UAV SfM), así como el DEM derivado. El error cuadrático medio (RMSE) y el error medio absoluto (MAE) del DEM fueron de 0.25 m y 0.05 m, respectivamente, para datos de LiDAR, y 0.59 m y -0.28 m, respectivamente, para datos de UAV. Para todas las clases de cobertura del suelo, el DEM de UAV sobreestimó la elevación, mientras que el DEM de LIDAR la subestimó. La precisión no fue significativamente diferente en el DEM de LiDAR para las diferentes clases de vegetación, mientras que para el DEM de UAV, el RMSE aumentó con la altura de la clase de vegetación. La comparación de las áreas de inundación derivadas de datos reales de LiDAR y UAV para diferentes niveles de agua mostró que en todos los casos, las mayores diferencias se obtuvieron para el nivel de agua más bajo probado, mientras que tuvieron un mejor rendimiento para niveles de agua muy altos. En general, el enfoque presentado en este trabajo produjo DEM a partir de datos de LiDAR y UAV con la precisión requerida para la cartografía de inundaciones de acuerdo con los estándares de la Directiva Europea de Inundaciones. Aunque LiDAR es la tecnología recomendada para la adquisición de nubes de puntos, una alternativa adecuada también es UAV SfM en áreas montañosas.