1.基于深度学习的叠加编码CSI反馈方法，其特征在于，包括以下步骤：a:用户端：

(a1)用户端读取长度为N的信道状态信息H和长度为M的“上行用户序列”D；

(a2)对信道状态信息H进行扩频处理，得到长度为M的扩频序列Hspread；

所述矩阵P为walsh扩频矩阵，满足PTP＝MIN，上标“T”表示转置运算，IN表示N阶单位矩阵；

(a3)将扩频序列Hspread与上行用户序列D进行加权叠加，得到叠加序列；

(a4)用户端发射叠加序列；

b：基站端：

(b1)基站接收得到接收序列R；

(b2)基站利用基于“逐子网络训练方法”训练得到的“多任务神经网络”恢复信道状态信息H和上行用户序列D。

2.根据权利要求1所述的基于深度学习的叠加编码CSI反馈方法，其特征在于，步骤(a3)所述的加权叠加：其中，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，N表示信道状态信息帧长，S表示叠加序列。

3.根据权利要求1所述的基于深度学习的叠加编码CSI反馈方法，其特征在于，步骤(b2)所述的“多任务神经网络”，包括四个子网络：CSI-NET1、CSI-NET2、DET-NET1和DET-NET2；

所述的子网络CSI-NET1、CSI-NET2、DET-NET1和DET-NET2采用级联的方式连接在一起；

所述的子网络CSI-NET1、CSI-NET2、DET-NET1和DET-NET2均只包括一个输入层，一个隐藏层和一个输出层；

所述的子网络CSI-NET1、CSI-NET2、DET-NET1和DET-NET2的输入均采用标准化处理；

所述的子网络CSI-NET1、CSI-NET2、DET-NET1和DET-NET2的隐藏层激活函数均采用swish函数；

所述的CSI-NET1和CSI-NET2子网络的输入层，隐藏层和输出层节点数分别为2N，16N和

2N；

所述的DET-NET1和DET-NET2子网络的输入层，隐藏层和输出层节点数分别为2M，16M和

2M；

所述的子网络CSI-NET1和DET-NET1之间，通过如下方式减少信道状态信息的叠加干扰，即：其中， 表示CSI-NET1的输出，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，N表示信道状态信息帧长，R表示接收序列， 表示消除信道状态信息的叠加干扰后的输出，并将作为DET-NET1的输入；

所述的子网络DET-NET1和CSI-NET2之间，通过如下方式减少上行用户序列的叠加干扰，即：其中， 表示DET-NET1的输出，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，R表示接收序列， 表示消除上行用户序列的叠加干扰后的输出，并将 作为CSI-NET2的输入；

所述的子网络CSI-NET2和DET-NET2之间，通过如下方式减少信道状态信息的叠加干扰，即：其中 表示CSI-NET2的输出，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，N表示信道状态信息帧长，R表示接收序列， 表示消除信道状态信息的叠加干扰后的输出，并将作为DET-NET2的输入；

所述标准化处理公式为norm(x)＝(x-μ)/σ；

其中，x表示待标准化向量，μ表示x的均值，σ表示x的标准差。

4.根据权利要求1所述的基于深度学习的叠加编码CSI反馈方法，其特征在于，所述的“逐子网络训练方法”，包括以下步骤：b21、训练CSI-NET1的网络参数(Wh11,bh11,Wh12,bh12)；

b22、保持CSI-NET1网络参数(Wh11,bh11,Wh12,bh12)不变，训练DET-NET1网络参数(Wd11,bd11,Wd12,bd12)；

b23、保持CSI-NET1和DET-NET1网络参数(Wh11,bh11,Wh12,bh12,Wd11,bd11,Wd12,bd12)不变，训练CSI-NET2网络参数(Wh21,bh21,Wh22,bh22)；

b24、保持CSI-NET1，DET-NET1和CSI-NET2网络参数(Wh11,bh11,Wh12,bh12,Wd11,bd11,Wd12,bd12,Wh21,bh21,Wh22,bh22)不变，训练DET-NET2网络参数(Wd21,bd21,Wd22,bd22)；

b25、保存各层网络参数(Wh11,bh11,Wh12,bh12,Wd11,bd11,Wd12,bd12,Wh21,bh21,Wh22,bh22,Wd21,bd21,Wd22,bd22)；

所述的Whij,Wdij(i＝1,2；j＝1,2)表示加权矩阵，bhij,bdij(i＝1,2；j＝1,2)表示偏置矢量。