1.一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，包括以下步骤：

S1、在FDD制式下的大规模MIMO系统中，获取基站端天线采用半波长间距的均匀线性阵列、用户端为单用户的情况下下行链路的CSI信道矩阵；

S2、对获取的下行链路的CSI信道矩阵做二维DFT变换获得在角度时延域稀疏的CSI矩阵；

S3、将得到的在角度时延域稀疏的CSI矩阵的前Na行非零元素部分进行截断得到截断矩阵；

S4、在用户端构建CSI反馈网络的编码器，将截断矩阵通过编码器转换为码字向量；

S5、在基站端构建CSI反馈网络的译码器，将编码器得到的码字向量通关译码器得到截断矩阵的估计值；

S6、采用端到端的方式对编码器和译码器进行联合训练，使得反馈网络的输出Ha与原矩阵Ha的差值尽可能小，并将训练好的反馈网络参数进行保存；其中，用户端的编码器包括级联的多分辨率卷积模块、卷积核为1×1的卷积层以及一个含有N个神经元的全连接层，多分辨率卷积模块包括由一个卷积模块构成的小卷积核层以及由三个卷积模块级联构成的大卷积核层，分别用小卷积核层和大卷积核层提取输入编码器矩阵的特征并将提取的特征拼接后作为多分辨率卷积模块的输出；

卷积模块包括由卷积核大小为1×3、3×1以及3×3的三个卷积层，在训练完成后将卷积核大小为1×3、3×1的卷积层的卷积核参数与卷积核大小为3×3的卷积层的卷积核参数相加，相加位置为3×3的卷积层中心的十字位置；在处理实时数据阶段仅使用融合后的卷积核大小为3×3的卷积层进行特征提取作为卷积模块的输出；

S7、将完成训练的编码器和译码器用于CSI的压缩和重建，译码器在进行重建时，对获取的截断矩阵的估计值先进行补零操作使其恢复为原始CSI矩阵大小，再进行二维逆DFT变换，获得下行链路的CSI信道矩阵的重建值。

2.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，在角度时延域稀疏的CSI矩阵的获取过程，即对下行链路的CSI信道矩阵进行角度时延域变换，变换过程包括：H′＝FcHFtH；

其中，Fc为1024×1024大小的DFT矩阵，Ft为32×32大小的DFT矩阵；H为下行链路的CSI信道矩阵；H′为在角度时延域稀疏的CSI矩阵。

3.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，将截断矩阵中复数的实部和虚部进行拆分，然后将实部和虚部在通道的维度上进行拼接，将拼接后含有两个通道的截断矩阵作为编码器的输入。

4.根据权利要求3所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，全连接层神经元的数量N与压比呈正比，即N＝2048×CR；其中，CR为压缩比。

5.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，基站端的译码器包括包含2048个神经元的全连接层、卷积层、多分辨率卷积模块，对输入的码字向量利用包含2048个神经元的全连接层进行重组，将重组后的矩阵输入两个级联的卷积核为3×3的卷积层进行特征的粗略提取，将粗略提取的特征输入由三个多分辨率卷积模块密接连接构成的密接网络，每个多分辨率卷积模块的输入为其前面多分辨率卷积模块的输出与粗略特征的拼接结果，将密接网络的输出通过sigmoid激活函数进行归一化后完成译码。

6.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，编码器的分辨率卷积模块中卷积层的卷积核数量均为4。

7.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，译码器的分辨率卷积模块中小卷积核层中卷积核数量为4，大卷积核层中级联的三个卷积层的卷积核数量分别为8个、16个、4个。

8.根据权利要求1所述的一种基于深度学习大规模MIMO系统的CSI反馈方法，其特征在于，由编码器和译码器构成的反馈网络进行联合训练时的损失函数采用均方误差函数，反馈网络采用Xavier的方式进行初始化，采用Adam根据损失函数对反馈网络进行优化，优化过程中采用余弦退火算法动态调整反馈网络的学习率。