1.一种基于时间序列信号和压缩卷积神经网络的伤损识别方法，其特征在于，包括：输入信号预处理，首先采用泛谐波调频小波变换方法将表征不同种类伤损的一维时序信号，变换到二维时频空间，其次将获得的二维时频展示的信号转换为灰度图，并进行尺度压缩；

网络剪枝，以VGG16作为基础网络架构，采用复合剪枝技术，在不损失准确度前提下，进行网络剪枝压缩。

2.根据权利要求1所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法，其特征在于，以VGG16作为基础网络架构，采用复合剪枝技术，在不损失准确度前提下，进行网络剪枝压缩的步骤具体包括：在每个卷积层和全连接层后加入批处理归一化层；

对全连接层进行轻量化处理，减少全连接层隐含神经元个数；

采用泰勒准则判别卷积层各滤波器的贡献度，去掉贡献度低的滤波器。

3.根据权利要求2所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法，其特征在于，在网络剪枝中，对卷积层各滤波器重要性评估是针对激活值进行的，采用目标函数相对于激活值的泰勒展开式中一阶项的绝对值。

4.根据权利要求3所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法，其特征在于，在网络剪枝中，采用多次剪枝和微调迭代进行的方式，先对所有卷积层中的滤波器进行排序，剪掉最不重要的N个滤波器，N为预先设定，然后采用训练集数据进行微调；重复以上步骤，直到满足终止条件，停止剪枝操作。

5.根据权利要求1所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法，其特征在于，在网络剪枝中，采用检测信号数据集从头开始训练。