1.一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，包括以下步骤：

S1、建立滑坡解译数据库，将影像中的滑坡区域作为正样本，将影像中非滑坡区域作为负样本；

S2、构建并采用正负样本训练多路径PSPNet网络，得到训练后的多路径PSPNet网络；

S3、采用训练后的多路径PSPNet网络对目标影像进行识别，将训练后的多路径PSPNet网络的输出结果作为滑坡灾害识别结果，完成滑坡灾害自动识别；

其中多路径PSPNet网络包括第一路径和第二路径；

第一路径包括Resnet50模型，Resnet50模型的输出端分别连接第一池化层的输入端、第二池化层的输入端、第一堆叠模块的第一输入端、SAM注意力模块的输入端和叉乘模块的第一输入端；第一池化层的输出端依次连接第一卷积模块和第一上采样模块；第二池化层的输出端依次连接第二卷积模块和第二上采样模块；第一上采样模块的输出端连接第一堆叠模块的第二输入端；第二上采样模块的输出端连接第一堆叠模块的第三输入端；SAM注意力模块的输出端连接叉乘模块的第二输入端；叉乘模块的输出端通过第三卷积模块连接第一堆叠模块的第四输入端；第一堆叠模块的输出端依次通过第四卷积模块和第三上采样模块连接第二堆叠模块的第一输入端；

第二路径包括依次连接的第五卷积模块、第六卷积模块和第七卷积模块；第七卷积模块的输出端连接第二堆叠模块的第二输入端；第二堆叠模块的输出端分别连接通道注意力模块的输入端和点乘模块的第一输入端；通道注意力模块的输出端连接点乘模块的第二输入端；点乘模块的输出端连接分类器的输入端；Resnet50模型的输入端和第五卷积模块的输入端共同作为多路径PSPNet网络的输入端；分类器的输出端为多路径PSPNet网络的输出端。

2.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，步骤S1的具体方法包括以下子步骤：S1‑1、分别获取高分影像和多源遥感影像；

S1‑2、将高分影像上采样至与多源遥感影像一致，得到初始影像集；

S1‑3、根据有记录的点状滑坡数据和滑坡在影像上的纹理和颜色特征，对初始影像集进行滑坡边界勾绘，得到勾绘后的影像集；

S1‑4、将勾绘后的影像集按照512×512像素依次裁剪、分割成为若干影像，并将影像中的滑坡区域作为正样本，将影像中非滑坡区域作为负样本。

3.根据权利要求2所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，将步骤S1‑4中分割后的影像通过随机旋转和/或翻转进行样本扩充，将扩充处理后的影像中的滑坡区域作为正样本，将扩充处理后的影像中的非滑坡区域作为负样本。

4.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，第一池化层和第二池化层的大小分别为3×3和6×6；第一上采样模块和第二上采样模块的输出尺寸均为64×64×2048。

5.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，第五卷积模块、第六卷积模块和第七卷积模块中卷积核的大小依次为7×7、7×7和1×

1，步长依次为2、2和1；第五卷积模块、第六卷积模块和第七卷积模块的输出尺寸依次为256×256×64、128×128×128和128×128×256。

6.根据权利要求1所述的一种基于卷积神经网络的滑坡灾害自动识别方法，其特征在于，Resnet50模型的输出尺寸为64×64×2048；第四卷积模块的输出尺寸为64×64×2048；

第三上采样模块的输出尺寸为128×128×2048。