针对传统BP神经网络水深反演耗时较多，且由于学习率和动量参数的设置使权值更新存在模糊自适应的问题，提出一种基于弹性梯度下降模型的BP神经网络水深反演算法。弹性梯度下降模型直接改变权重更新值的大小，消除学习率和动量参数的影响，减少计算参数，能快速获取最优的模型权值。为评估算法的有效性，利用中国南海甘泉岛实测数据进行验证。结果表明：该算法可以较为准确、有效地反演水深信息，反演精度和效率均优于传统算法(RMSE由1.159 m降到0.863 m,MAE由0.856 m降到0.649 m,模型训练所耗时间由52 s降到18 s),在0～15 m水深段的RMSE低于1 m,反演效果较好，且在不同水深区间均取得良好的改进结果，具有一定的鲁棒性。