1.一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，其特征在于，包括以下步骤：S1：接收观测信号，利用卷积神经网络的一维卷积层自动提取观测信号的特征；

S2：基于S1提取的特征生成分离矩阵，利用分离矩阵分离观测信号，能够初步分离信号；

S3：基于S1提取的特征生成缩放系数，对初步分离信号进行缩放得到最终的分离信号。

2.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S1具体如下：S1‑1：建立信号接收模型：

假设水声通 信系统模型采 用多发多收模式 ，发送目标 信号为 ，，接收阵元个数为 ，其中 ，则接收端收到的信号为：其中， 表示信道参数，也是混合矩阵， 表示源信号,  表示接收信号, ， 表示转置；

S1‑2：对接收信号 进行预处理；

S1‑3：利用卷积神经网络的一维卷积层自动提取观测信号的特征。

3.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S2具体如下：S2‑1：基于S1提取的特征生成分离矩阵，即利用已知的源信号与观测信号，基于深度学习得到观测信号与分离矩阵的函数关系：将分离矩阵 视为一种函数 ， 接收观测信号的特征输出混合矩阵，如下式为了求解函数 ，利用神经网络的数学理论中的通用近似定理——即神经网络具有近似任意函数的能力，设计近似 的神经网络，如下式其中为神经网络的参数,  时，W为最理想的分离矩阵；

S2‑2：利用生成的分离矩阵初步分离接收信号：其中，Z’为初步分离信号。

4.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S3具体如下：S3‑1：基于S1提取的特征生成缩放系数：利用信号特征生成缩放系数c：

其中 为利用神经网络估计的关于求解缩放系数c的函数；

S3‑2：利用缩放系数对初步分离信号进行缩放得到最终的分离信号：对初步分离信源信号Z’进行缩放得到最终的源信号S：其中 是对源信号S的估计，Z为分离信号，c为缩放系数。