1.一种基于残差混合膨胀卷积的遥感图像融合方法，其特征在于，包括以下步骤：S1、将低分辨率的多光谱图像和高分辨率的全色图像分别下采样4倍，然后再将多光谱图像上采样4倍，与全色图像堆叠在一起，构建模型需要的数据集；

S2、使用跳跃连接将普通卷积与不同膨胀率的膨胀卷积连接在一起，并结合深层残差网络，构建一个双支的深层残差混合膨胀卷积神经网络；

S3、采用随机梯度下降算法对深层残差混合膨胀卷积神经网络网络进行训练，得到训练后的深层卷积神经网络模型；

S4、将待融合的多光谱图像和全色图像输入到训练后的深层卷积神经网络模型中，得到融合后的高空间分辨率的多光谱图像。

2.根据权利要求1所述的一种基于残差混合膨胀卷积的遥感图像融合方法，其特征在于，在步骤S1中，构建模型需要的数据集，构建方式为：用双三次插值法对初始的多光谱图像和全色图像进行下采样，模拟低分辨率输入的多光谱图像和全色图像，将多光谱图像上采样4倍，与退化后的全色图像堆叠，形成初始化的输入。

3.根据权利要求1所述的一种基于残差混合膨胀卷积的遥感图像融合方法，其特征在于，所述步骤S2中多尺度的深层残差混合膨胀卷积神经网络模型的构建方式如下：网络分为两个分支，一个分支是20层的深层残差卷积网络，另一个分支是由残差混合膨胀卷积模块组成的网络，该模块先利用普通卷积获得低分辨率的多光谱和全色图像的所有信息，再使用并行的不同膨胀率的膨胀卷积来充分提取高分辨率图像中丰富的空间信息，在不增加卷积核参数量的前提下，扩大模型的感受野；然后，使用跳跃连接将不同尺度的膨胀卷积的输出结果与前一个普通卷积相加，缓解过拟合情况。

4.根据权利要求3所述的一种基于残差混合膨胀卷积的遥感图像融合方法，其特征在于，在步骤S3中，采用随机梯度下降算法对残差混合膨胀卷积神经网络进行训练时，损失函数为：其中， 分别表示全色图像和低分辨率多光谱图像，F(i)是对应的高分辨率多光谱图像，N是小批量训练样本的数量，(W，b)是所有超参数的集合，即滤波器的权重和偏差。

使用均方根误差作为损失函数，直接将 输入深度卷积神经网络以逼近F(i)，从而学(i)习输入图像 和输出图像F 之间的非线性映射关系。

5.根据权利要求4所述的一种基于残差混合膨胀卷积的遥感图像融合方法，其特征在于，在步骤S4中，将待融合的多光谱图像和全色图像输入到步骤S3所得训练完成的深层残差混合膨胀卷积神经网络模型中，得到融合后的高空间分辨率的多光谱图像。