针对传统全球数字高程模型修正方法忽略训练样本质量等问题，提出一种基于主动学习的沿海区全球数字高程模型(GDEM)修正方法。该方法首先选择一定数量的代表性样本点作为初始训练集，然后通过聚类批处理模式采样算法，采用迭代方式选取高质量代表点进行模型训练，最后利用选取的代表点构建机器学习模型以实现GDEM修正。以美国克逊维尔为训练区、查尔斯顿为迁移实验区，选取中误差和平均绝对误差验证模型的精度。实验结果表明，与传统的GDEM修正方法相比，本研究方法仅需选择8.57%的采样点即可完成模型训练，且GDEM的中误差降低了3.31%～51.65%、平均绝对误差降低了4.76%～48.72%。在迁移实验区，修正后COPDEM30的中误差从6.52 m降至1.68 m。相比于传统方法，本研究方法的中误差和平均绝对误差分别降低了24.82%和30.28%,证明了模型具有一定的迁移性。