1.一种分孔径压缩感知偏振超分辨率成像方法，其特征在于，包括：S1、采集分孔径编码模板的编码模板光强图像，压缩编码采样四个不同偏振方向的偏振低分辨率图像；

S2、建立偏振像差模型，并基于所述偏振像差模型对所述偏振低分辨率图像进行偏振像差补偿，得到修正后的偏振低分辨率图像；

S3、基于理想编码矩阵和所述编码模板光强图像对第一卷积神经网络模型迭代训练，得到映射扩散矩阵阵列；

S4、基于所述映射扩散矩阵阵列和修正后的偏振低分辨率图像对超分辨率重建网络迭代训练，得到高分辨率偏振图像。

2.根据权利要求1所述的方法，其特征在于，所述四个不同偏振方向分别为0°、45°、90°以及135°方向。

3.根据权利要求1所述的方法，其特征在于，所述偏振像差模型的建立包括如下步骤：根据偏振片的入射光强和出射光强，求得入射光强二向衰减和相位延迟的相干矩阵的迹，作为所述偏振像差模型全连接层权重参数。

4.根据权利要求1所述的方法，其特征在于，基于所述理想编码矩阵和所述编码模板光强图像对第一卷积神经网络模型迭代训练，得到映射扩散矩阵阵列，包括：对所述理想编码矩阵和所述编码模板光强图像分块处理，得到一一对应的分块的编码模板图像与编码光强图像；

基于所述偏振像差模型，去除所述分块的编码模板图像与编码光强图像中偏振像差的影响；

基于所述第一卷积神经网络模型，建立所述一一对应的分块的编码模板图像与编码光强图像之间的映射关系，每一组映射关系用一个卷积层表示，将所述卷积层的权重参数矩阵作为映射扩散矩阵，得到所述映射扩散矩阵阵列。

5.根据权利要求4所述的方法，其特征在于，所述第一卷积神经网络模型输出编码光强图像的计算结果，将所述编码光强图像的计算结果与所述编码模板光强图像比对得出第一损失误差；

在所述第一卷积神经网络模型中，所述分块的编码模板图像与编码光强图像的映射关系如下：；

其中，f为激活函数，d为偏置，H为映射扩散矩阵， 为第i个分块的编码模板图像，为第i个分块的编码光强图像。

6.根据权利要求1所述的方法，其特征在于，步骤S4具体包括：将所述映射扩散矩阵阵列和所述修正后的偏振低分辨率图像输入到第二卷积神经网络中，生成S0、DoLP和AoP图像的计算结果，与预先采集的S0、DoLP和AoP高分辨率偏振特征图像比对得到第二损失误差，迭代训练直至所述第二损失误差小于预设阈值，保存得到的所述第二卷积神经网络，作为所述超分辨率网络模型；

将所述修正后的偏振低分辨率图像输入所述超分辨率网络模型，得到所述高分辨率偏振图像。

7.根据权利要求6所述的方法，其特征在于，生成S0、DoLP和AoP图像的计算结果，包括：利用第一卷积层和第二卷积层提取所述修正后的偏振低分辨率图像的浅层特征，生成浅层特征图；

将所述浅层特征图输入第三卷积层，得到特征图，将所述浅层特征图与所述特征图按预设比例求和得到总特征图；

基于第四卷积层建立所述修正后的偏振低分辨率图像与S0、DoLP和AoP图像之间的非线性映射关系，再通过亚像素卷积层放大，得到S0、DoLP和AoP图像的计算结果。

8.根据权利要求6所述的方法，其特征在于，所述第二损失函数如下：；

其中，N表示图像的数量，W表示图像的宽，H表示图像的高， 表示损失项的权重参数， 表示超分辨率重建网络输出的图像， 表示真实的高分辨率偏振特征图像，C表示结构相似度指标，下角标S0、DoLP和AoP分别表示S0、DoLP和AoP对应的图像。

9.根据权利要求7所述的方法，其特征在于，所述第三卷积层具有三个卷积核，所述映射扩散矩阵阵列经过两个全连接层和一个激活层，得到所述三个卷积核的权重参数。

10.一种分孔径压缩感知偏振超分辨率成像系统，其特征在于，包括：偏振片、子孔径望远物镜、数字微镜阵列DMD、中继镜头、探测器以及计算处理单元；

所述偏振片有四个，分别为不同的偏振方向；所述子孔径望远物镜有四个，与所述偏振片一一对应；所述探测器的靶面有四个象限，与所述偏振片一一对应；

目标场景发出的光线分别经过四个所述偏振片，再通过各偏振片对应的子孔径望远物镜，成像在所述数字微镜阵列DMD上，经所述数字微镜阵列DMD编码调制后的所述光线被反射后通过所述中继镜头成像在所述探测器的靶面上，形成的图像再输入至所述计算处理单元，所述计算处理单元输出高分辨率偏振图像。