1.基于深度学习大规模MIMO系统的叠加CSI反馈方法，其特征在于，包括以下步骤：(1)用户端读取长度为NH的信道状态信息H和长度为2ND的上行数据D，对信道状态信息H进行扩频处理得到长度为ND的扩频序列Hspread，对上行数据D进行数字调制得到长度为ND的上行调制序列Dmodulate；

所述的信道状态信息H，扩频序列Hspread和上行调制序列Dmodulate的元素均为复数；

所述的上行数据D的元素均为二进制比特；

(2)将扩频序列Hspread与上行调制序列Dmodulate进行加权叠加得到长度为ND的叠加序列S，用户端发射叠加序列S，基站端接收得到长度为ND的接收序列R；

所述的叠加序列S和接收序列R的元素均为复数；

(3)构建模型HDNet，所述的模型HDNet包括信道状态信息估计模型fH(R)和上行数据检测模型fD(R)；

(4)初始化模型HDNet参数，离线训练模型HDNet，误差收敛后保存模型；

(5)在线接收信号，得到在线接收序列Ronline，根据在线接收序列Ronline，用训练好的模型HDNet恢复出信道状态信息的估计值 检测出上行数据的检测值所述的信道状态信息的估计值 的元素均为复数；

所述的上行数据的检测值 的元素均为二进制比特。

2.根据权利要求1所述的基于深度学习大规模MIMO系统的叠加CSI反馈方法，其特征在于，步骤(1)所述扩频包括：生成长度为K的Zadoff-Chu序列 计算信道状态信息H与Q的kronecker乘积得到长度为ND的扩频序列Hspread，即：其中，表示kronecker积，K根据工程经验设置，ND与K满足ND＝NH×K。

3.根据权利要求1所述的基于深度学习大规模MIMO系统的叠加CSI反馈方法，其特征在于，步骤(2)所述的加权叠加表示为：其中，ρ表示叠加因子，EK表示用户发送功率。

4.根据权利要求1所述的基于深度学习大规模MIMO系统的叠加CSI反馈方法其特征在于，步骤(3)包括以下步骤：(3-1)信道状态信息估计模型fH(R)包含1个输入层，mH个全连接层，mH≥3，1个输出层，输入层节点数为2ND，各全连接层节点数分别为 输出层节点数为2NH，全连接层均采用Leaky ReLU函数作为激活函数，以均方误差作为损失函数，将接收序列R作为输入，期望输出为信道状态信息H；

(3-2)上行数据检测模型fD(R)包含1个输入层，mD个全连接层，mD≥3，1个输出层，输入层节点数为2ND，各全连接层节点数分别为 输出层节点数为2ND，全连接层均采用Leaky ReLU函数作为激活函数，以交叉熵函数作为损失函数，将接收序列R作为输入，期望输出为上行数据D。