Este estudio aplica redes neuronales artificiales a la interfaz de densidad de la inversión de gravedad tridimensional. La formula de Parker basada en la transformada rápida de Fourier juega un papel importante en la interfaz de inversión de la gravedad. En el proceso de entrenamiento de las redes neuronales artificiales, las geometrías de interfaz subterráneas generadas aleatoriamente se usaron como registros, mientras que los resultados son la información de anomalías de la gravedad calculadas con la formula de Parker. Un amplio conjunto de datos de registro y resultado se definieron para el proceso de entrenamiento de la red neuronal artificial. Adicionalmente, la transformada de coseno discreta se presenta para comprimir y almacenar matrices, y así se reduce la memoria computacional, se reduce el tiempo de computación y se mejora la eficiencia del equipo en los procesos de entrenamiento y de prueba de la red neuronal artificial. De esta forma se diseñó un algoritmo de aprendizaje profundo para la interfaz de inversión basado en el modelo de red tipo U. Con base en la tradicional función de pérdida se adicionaron un término de pérdida suave y un término de sobreajuste de supresión para mejorar la eficiencia de la uniformidad y de la convergencia de los resultados de la interfaz de inversión de la gravedad. Finalmente la predicción de la inversión se verificó a través del ejemplo de prueba para validar la generalización del modelo de red de aprendizaje profundo que se estableció. Este artículo analiza la efectividad y la practicidad de este método de inversión de la interfaz de densidad a través de modelos teóricos y experimentos con información real. Este método de inversión de interfaz de aprendizaje profundo, basada en la restricción de función de perdida mejorada, efectivamente mejora la convergencia de eficiencia y la estabilidad computacional de la inversión de la interfaz de densidad. La aplicación de este método a procesos de información sintética y de información medida ha alcanzado buenos resultados.