1.基于机器学习的深部采空区CSAMT电性特征增强与分类方法，其特征在于，包括如下步骤：

I.针对反演获得的CSAMT电阻率特征，初始化浅部异常卷积核与深部采空区卷积核；

其中，浅部异常卷积核的初始化过程为：首先从反演获得的CSAMT电阻率特征剖面中，确定某一浅部低阻异常数据的中心位置；

再提取浅部低阻异常数据的中心位置周围的数据作为浅部异常卷积核；

深部采空区卷积核的初始化过程为：首先从反演获得的CSAMT电阻率特征剖面中，确定某一深部采空区电性异常数据的中心位置；再提取深部采空区电性异常数据的中心位置周围的数据作为深部采空区卷积核；

II.以反演获得的CSAMT电阻率特征剖面作为输入，分别与各浅部异常卷积核进行卷积计算，然后将各卷积结果进行叠加求平均，得到浅部卷积电阻率特征；

所述步骤II中，浅部卷积电阻率特征Fc的计算公式如下：其中，ρ为反演获得的CSAMT电阻率特征；

为第i1个浅部异常卷积核，n1为浅部异常卷积核的数量；

再以反演获得的CSAMT电阻率特征剖面作为输入，分别与各深部采空区卷积核进行卷积计算，然后将各卷积结果进行叠加求平均，得到深部采空区卷积电阻率特征；

所述步骤II中，深部采空区卷积电阻率特征Fd的计算公式如下：其中， 为第j1个深部采空区卷积核，m1为深部采空区卷积核的数量；

III.去除浅部异常信息，增强深部采空区电性特征，具体过程如下：①首先将浅部卷积电阻率特征与深部采空区卷积电阻率特征相加；

所述步骤①中：

浅部卷积电阻率特征与深部采空区卷积电阻率特征相加之和y的计算公式为：y＝Fc+Fd；

②然后计算浅部卷积电阻率特征与深部采空区卷积电阻率特征相加得到的和与反演获得的CSAMT电阻率特征的能量误差；

所述步骤②中：

浅部卷积电阻率特征与深部采空区卷积电阻率特征相加之和y与反演获得的CSAMT电阻率特征ρ能量误差的表达式为：其中，E表示能量误差，R、S分别为反演获得的CSAMT电阻率特征的纵、横向点数；yrs表示y中坐标为(r，s)的点，ρrs表示ρ中坐标为(r，s)的点；

③判断能量误差是否满足精度要求：若不满足精度要求，则执行步骤④，若满足精度要求，则执行步骤⑤；

所述步骤③中：

能量误差是否满足精度要求ε的判断公式为：其中，ε为大于0的常数；

④优化浅部异常卷积核与深部采空区卷积核的大小参数，返回执行步骤I；

所述步骤④中：

利用梯度下降法优化浅部异常卷积核与深部采空区卷积核的大小参数；

⑤将反演获得的CSAMT电阻率特征与浅部卷积电阻率特征进行差值计算，得到深部采空区电性特征；将该结果与步骤II得到的深部采空区卷积电阻率特征相加，得到增强的深部采空区电性特征；

所述步骤⑤中：

将反演获得的CSAMT电阻率特征与浅部卷积电阻率特征进行差值计算得到深部采空区电性特征的计算公式为：

y1＝ρ‑Fc；

其中，y1表示深部采空区电性特征；增强的深部采空区电性特征x的计算公式为：x＝y1+Fd；

IV.对步骤III中的增强的深部采空区电性特征进行基于核空间的模糊C均值聚类分析；

V.根据以上聚类结果对采空区、巷道进行识别与归类，并对采空区的基本情况进行预测。

2.根据权利要求1所述的CSAMT电性特征增强与分类方法，其特征在于，所述浅部异常卷积核与深部采空区卷积核为一维卷积核、二维卷积核或三维卷积核。