1.一种基于多尺度机制和串联膨胀卷积遥感图像时空融合方法，其特征在于，包括以下步骤：S1、将三张高时间、低空间分辨率的图像Ci输入映射卷积网络中，i＝1，2，3，通过映射卷积网络中的多尺度感知和串联膨胀卷积提取特征，获得与高空间、低时间分辨率的图像具有相似分辨率的三张过渡图像；

S2、将过渡图像与高空间、低时间分辨率的图像一起输入到重建差分图像中，通过多网络的协同训练，获得两张高空间、低时间分辨率的差分图像；

S3、将两张高空间分辨率差分图像与两张高空间、低时间分辨率的图像进行加权融合，重建得到一张高空间、高时间分辨率的图像F1；

所述步骤S1具体包括以下子步骤，

S1.1、将输入的三个时刻的高时间、低空间分辨率图像放入多尺度感知模块中，得到它们多尺度感知下的特征图；

S1.2、将多尺度感知的特征图输入到串联膨胀卷积中得到降维特征图；

S1.3、分别将三张低空间分辨率的图像得到的降维特征图通过卷积操作转化为三张过渡分辨率的图像Ti(i＝1，2，3)；

所述步骤S2的重建差分卷积网络和协同训练卷积网络分别由八层基础卷积层和六层基础卷积层构成，其中重建差分卷积网络的任务更加复杂，所以网络设置也比协同训练卷积网络多两层基础卷积层，通过协同训练卷积网络的输出根据时间相关性帮助重建差分卷积网络完成训练，输出两张高空间分辨率差分图像FT01和FT12，其过程为：Tij＝Ti‑Tj，

其中Tij表示第i时刻过渡分辨率图像Ti与第j时刻过渡分辨率图像Tj之间的差分图像，F0和F2分别表示第0时刻和第2时刻的高空间、低时间分辨率图像，M1表示重建差分卷积网络的映射函数，Φ1表示该映射函数M1的训练权重参数；

所述步骤S2具体包括以下子步骤，

S2.1、将三张过渡分辨率的图像和两张高空间、低时间分辨率的图像输入到重建差分卷积网络中，根据时间序列的结构相关性，得到两张高空间分辨率差分图像FT01和FT12；

S2.2、根据时间序列的时间相关性，采用已知信息进行协同训练，将已知的两张高空间、低时间分辨率图像F0和F2输入协同训练卷积网络中，输出高分辨率差分图像FT02，使用高分辨率差分图像FT02帮助重建差分卷积网络完成训练；

S2.3、通过训练好的重建差分图像得到两张高空间分辨率差分图像FT01和FT12；

所述步骤S3通过加权融合重建得到一张高空间、高时间分辨率的图像F1，融合过程为：F1＝ω0·(F0+FT01)+ω2·(F2+FT12)，

其中ω0和ω2分别作为F0和F2结合高空间分辨率差分图像后得到的结果对最终融合重建结果F1的贡献权重；

计算两个权重参数：

Cij＝Ci‑Cj，

其中Cij表示第i时刻高时间、低空间分辨率图像Ci与第j时刻高时间、低空间分辨率图像Cj之间的差分图像，vC01和vC12分别表示C01和C12的绝对平均变化，k为设定常数，避免出现分母为0的情况。

2.根据权利要求1所述的一种基于多尺度机制和串联膨胀卷积遥感图像时空融合方法，其特征在于，所述步骤S1的映射卷积网络由卷积层、多尺度感知模块、串联膨胀卷积模块构成，多尺度感知模块用于对输入的特征图进行多个尺度的分别感知，再叠加为新的多维特征图；串联膨胀卷积模块通过扩大卷积层感受野可以提取图像更丰富的特征信息，得到过渡分辨率的图像的过程为：其中Ti表示过渡分辨率的图像，M0表示映射卷积网络的映射函数，Φ0表示该映射函数的训练权重参数。