1.一种基于尺度均衡耦合卷积架构的脑神经影像特征提取方法，其特征在于，包括以下步骤：步骤一、获取包括sMRI图像与fMRI图像的脑神经影像，并分别对sMRI图像与fMRI图像进行不同的预处理，得到3D大脑图像和2D脑功能网络图像；

步骤一中对sMRI图像进行预处理的过程包括以下步骤：将sMRI图像导入到SPM12软件中，首先通过头动校正筛去头动过大的图像，然后将头动校正后的功能像文件归一化到MNI空间，剥离颅骨和去除小脑后，最终得到3D大脑图像；

步骤一中对fMRI图像进行预处理的过程包括以下步骤：

将fMRI图像导入到SPM12软件中，首先进行时间点去除操作；接下来进行时间层校正，保证一个扫描周期内各层扫描时间的统一；然后进行头动校正，评估被试头动状况，并调整因此造成的不同时刻的图像错位；之后直接将个体极限平面图像配准到标准的EPI模板上；

最后进行脑网络构建，利用AAL90模板将fMRI数据分成90个ROI节点构建脑功能网络；

步骤二、利用基于膨胀卷积的尺度均衡金字塔卷积网络分别对3D大脑图像和2D脑功能网络图像进行卷积特征提取操作，得到3D大脑图像和2D脑功能网络图像的时间‑空间尺度均衡特征；

步骤二包括以下步骤：

将每一个输入基于膨胀卷积的尺度均衡金字塔卷积网络的输入数据都划分为不同的尺度；

根据划分的尺度选用相应的均衡膨胀卷积策略，计算得到不同尺度的输出特征，计算方法是每一个尺度的输出特征都等于其自身的输出特征与相邻尺度的输出特征的权重相加，全部尺度的输出特征之和为总体多尺度输出特征；

利用特征提取网络对总体多尺度输出特征进行特征提取后，最终得到输入数据的时间‑空间尺度均衡特征；

步骤三、将步骤二所得到的时间‑空间尺度均衡特征进行随机匹配耦合计算，得到耦合矩阵，所述耦合矩阵用于作为提取的融合特征输入到分类器中。

2.根据权利要求1所述的基于尺度均衡耦合卷积架构的脑神经影像特征提取方法，其特征在于，特征提取网络采用ResNet或ResNeXt残差网络或Res2Net残差网络。

3.根据权利要求1所述的基于尺度均衡耦合卷积架构的脑神经影像特征提取方法，其特征在于，在步骤三中，利用余弦相似度、spearman相关系数、kendall秩相关系数和皮尔逊相关系数中的任意一种计算耦合矩阵。