本发明公开了一种基于深度学习的黎曼流形上离散化测地线计算方法，涉及测地线测量技术领域。本发明，通过无监督神经网络完全无监督的将一个高维空间下的待测数据样本映射到一个低维的黎曼流形中，并保证映射过程中的数据分布结构与低维的黎曼流形空间中的数据结构的等价性，还在模型中加入了对于离散化求解测地线过程的蒙特卡洛积分误差约束，作为模型训练过程中的正则化项，使得测地线的离散化求解过程更加准确。本发明的方法能够对任意的高维数据进行无监督地降维，并且保证高维数据和降维后的低维流形符合微分同坯和等距映射的黎曼特征约束，尽可能保证了数据样本之间的宏观拓扑结构以及微观局部距离度量关系在降维过程中不被改变。