1.一种基于深度学习的船舶行为识别方法，其特征在于，包括以下步骤：步骤S1：获取原始船舶轨迹数据，通过数据预处理以及轨迹分割方法自建船舶行为识别数据集；

步骤S2：设计多尺度卷积模块与长短期记忆网络级联的船舶行为识别网络，使用自建船舶行为识别数据集训练的船舶行为识别网络，实现对船舶轨迹数据的行为识别；

其中，所述步骤S1进一步包括：

步骤S11：选取船舶自动识别系统AIS具有行为判别力的信息，作为数据的特征；选取特征为基准时间，经度，纬度以及对地速度，对地航向作为数据的特征，其中，基准时间仅在数据预处理阶段使用；

步骤S12：通过位置异常处理方法与速度异常处理方法对步骤S11得到的AIS数据中的异常数据进行处理；

其中，所述步骤S12进一步包括：步骤S121：对位置明显偏离航线的AIS数据点进行位置异常处理，先将异常点删除，再使用插入中值的方法将失去的点近似还原；

步骤S122：对速度明显异常的AIS数据点进行速度异常处理，将船舶行为距离与根据速度计算的距离进行比较，根据差值的置信区间来判别速度是否发生异常；

步骤S13：使用多特征距离融合的方法来描述a，b两个数据点之间的距离，包括时间距离dt、空间距离ds、速度距离dv以及航向距离dc；

其中，Pi(＜T＞)表示点i的特征＜T＞的值，t表示时间，v表示对地速度，c表示对地航向；Pa(x)与Pa(y)分别表示a点的经度与纬度，Pb(x)与Pb(y)分别表示b点的经度与纬度；a与b两点之间的多特征融合距离d(a,b)：d(a,b)＝ωt×dt(a,b)+ωs×ds(a,b)+ωv×dv(a,b)+ωc×dc(a,b)其中，ωt，ωs，ωv，ωc分别为各个特征距离的权重；

步骤S14：采用固定长度的方式来划分运动轨迹；通过判别步骤S13得到的两点之间的距离，若距离大于设定阈值时，则将第二个点设置为切割点；若两个切割点之间的距离大于

64，则取两点之间连续的64个点作为一段轨迹数据集；

步骤S15：归一化处理；通过步骤S14得到若干轨迹数据集后，选择经度、纬度、对地速度、对地航向作为数据特征，对其进行归一化处理，让数据分布在[0,1]之间：其中， 表示归一化后点i特征＜T＞的值，Pi(＜T＞)表示点i特征＜T＞的值，max＜T＞表示特征＜T＞的最大值，min＜T＞表示特征＜T＞的最小值；x，y，v，c分别表示经度，纬度，对地速度以及对地航向；

步骤S16：将步骤S15得到的轨迹片段，根据AIS数据中对应的状态值进行标注，标注的行为类别分别为正常航行，捕鱼，锚泊，系泊，并将数据按照一定比例划分为训练集和测试集；

其中，所述步骤S2进一步包括：

步骤S21：根据AIS数据的特性，设计基于AIS数据的卷积操作，多尺度卷积模块以及通道加权模块；

所述步骤S21进一步包括：

步骤S211：设计基于AIS数据的卷积操作，使用一维卷积操作对固定长度的时间序列进行特征提取；

步骤S212：设计多尺度卷积提高模型对特征的表达能力，卷积模块有四个通道，其中一个通道传入原始特征信号，另外三个通道的一维卷积核大小分别为2,3和5；

步骤S213：设计基于AIS数据的压缩与激活SE操作，对数据中的每个特征进行通道加权，通过显式地构建特征通道的相互依赖关系来提高网络的表达能力；定义输入为U＝[u1,u2,...,uN]，其中N表示数据的特征数量，u为该特征在时间长度T上的向量；使用压缩操作得到一个通道相关的统计信息s＝[s1,s2,...,sN]：使用激活操作得到一个具有特征通道依赖性权重的向量w：w＝Fex(s,W)＝σ(W2δ(W1s))其中，W1与W2分别表示两个全连接层的参数；σ为sigmoid函数，δ为激活函数ReLU；最后将d与原有特征结合得到输出U′＝[u′1,u′2,...,u′N]：u′n＝Fscale(un,wn)＝wn·un其中，·表示两个向量的乘积；

步骤S214：语义特征学习分支有三层卷积模块，前两个卷积模块为步骤S211中的一维卷积加上批标准化层以及激活函数ReLU再加上步骤S213的ESE操作；第三层卷积为步骤S212中得到的多尺度卷积层，该多尺度卷积层每条分支有两层卷积；多尺度卷积的多个通道级联后得到的特征经过池化层，最终得到一个一维向量；

步骤S22：使用长短期记忆网络LSTM作为网络的时序特征学习分支；

所述步骤S22进一步包括：

步骤S221：时序特征学习分支首先通过维度变换层，将维度变换后的向量输入LSTM网络；LSTM核心内部有三个控制门，分别为输入门、输出门以及遗忘门,ht表示t时刻LSTM内部的隐含状态，t时刻的输入pt和上一时刻隐含状态ht-1共同决定当前时刻的遗忘单元Ft、输入单元It、输出单元Ot以及中间单元Gt：Ft＝σ(wfpt+ufht-1+bf)It＝σ(wipt+uiht-1+bi)Ot＝σ(wopt+uoht-1+bo)Gt＝tanh(wgpt+ught-1+bg)其中，wf，wi，wo，wg分别为遗忘门，输入门，输出门以及中间状态与输入pt相乘时的权重，bf，bi，bo，bg分别为遗忘门、输入门、输出门以及中间状态与输入pt相乘时的偏置，σ(·)表示sigmoid函数；当前时刻记忆单元中的保留状态St与隐含状态ht：St＝Gt⊙It+St-1⊙Ftht＝tanh(St)⊙Ot

其中，⊙表示矩阵对应元素相乘；最后LSTM的输出通过dropout层，输出一个一维向量；

步骤S222：将步骤S21得到的语义特征向量与S222得到的时序特征向量合并为一维向量，再通过全连接层，最后使用softmax分类器进行分类；

步骤S23：使用步骤S1得到船舶行为识别数据集对步骤S22得到的船舶行为识别网络进行训练，得到最终船舶识别网络模型。