La Tomografía de Radar de Apertura Sintética (TomoSAR) para la inversión de la altura de objetos de construcción es un problema de reconstrucción dispersa que utiliza los datos obtenidos de varias pasadas de la nave espacial para invertir la posición del dispersor en la dirección de la altura. En aplicaciones prácticas, el número de pasadas suele ser pequeño y los datos de observación también son escasos debido a las condiciones objetivas, por lo que este estudio se centra en la inversión bajo condiciones de datos de observación restringidos. El Algoritmo de Umbral de Encogimiento Iterativo Aprendido Analíticamente (ALISTA) es un tipo de algoritmo de red de despliegue profundo, que es una combinación del Algoritmo de Umbral de Encogimiento Iterativo (ISTA) y la tecnología de aprendizaje profundo, y tiene las ventajas de ambos. El ALISTA es uno de los algoritmos representativos para la inversión de la altura de objetos de construcción TomoSAR. Sin embargo, la estructura del algoritmo ALISTA es simple, no tiene ni la excelente estructura de conexión de una red de aprendizaje profundo ni el formato de aceleración combinado con el algoritmo ISTA. Por lo tanto, este estudio propone dos direcciones de mejora para el algoritmo ALISTA: en primer lugar, una mejora en la conexión entre capas de la red mediante la introducción de una conexión similar a las redes residuales obtiene el Algoritmo de Umbral de Encogimiento Iterativo Aprendido Analíticamente Extragradient (EALISTA) y demuestra además que el EALISTA logra una convergencia lineal; en segundo lugar, hay una mejora en el formato iterativo de la iteración intra-capa de la red mediante la introducción de la aceleración del momento de Nesterov, lo que obtiene el Algoritmo de Umbral de Encogimiento Iterativo Aprendido Analíticamente Rápido (FALISTA). Primero realizamos experimentos de inversión en datos simulados, que verificaron la efectividad de los dos algoritmos propuestos. Luego, realizamos experimentos de inversión de la altura de objetos de construcción TomoSAR en datos medidos limitados y utilizamos la métrica de desviación para medir la robustez de los algoritmos para invertir bajo datos de observación restringidos. Los resultados muestran que ambos algoritmos propuestos tienen una mejor robustez, lo que verifica el rendimiento superior de los dos algoritmos. Además, analizamos cómo elegir los algoritmos más adecuados para la inversión en aplicaciones prácticas de ingeniería basándonos en los resultados de los experimentos en datos medidos.