1.一种土壤中微生物识别及相互作用分析方法，其特征在于，包括以下步骤：

S100：获取微生物DNA序列，设立序列质量评分函数，进行序列预处理；

S200：深入分析微生物DNA序列的生物学性质，提取序列特征，采用基于混合元启发式算法的融合方法对序列进行聚类；

S300：构建概率图模型，基于DNA序列进行微生物识别，设计微生物相互作用网络构建算法，定量分析微生物之间的相互作用。

2.如权利要求1所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S100具体包括：在序列预处理阶段，设立了序列质量评分函数，该函数综合考虑了序列的变异性、纯度和复杂度，变异性得分衡量了序列中碱基的变异程度，纯度得分衡量了序列中是否存在杂质序列，复杂度得分衡量了序列的复杂程度，在序列预处理后，将预处理后的序列与参考数据库进行比对，剔除与任何已知序列都不匹配的序列。

3.如权利要求1所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S200具体包括：基于对序列特征的深入分析和对不同特征的权重的综合考虑，进一步计算序列之间的相似度；考虑到余弦相似度能够衡量特征向量之间的夹角，而加权欧氏距离能够衡量特征向量之间的距离，将这两者融合，衡量序列之间的相似度；通过对不同特征的权重进行优化，进一步提高相似度计算的准确性。

4.如权利要求3所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S200具体包括：在优化过程中，采用基于混合元启发式算法的融合方法，所述基于混合元启发式算法的融合方法引入一种基于信息熵的适应度函数，以衡量聚类方案的优劣；还引入一种基于邻域搜索的变异操作，增强算法的搜索能力。

5.如权利要求4所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S200具体包括：根据相似度进行初始聚类，设立相似度阈值，若两个序列的相似度小于相似度阈值，则划分为同一类；从初始聚类方案C的邻域中，随机选择一个候选聚类方案C′，计算候选聚类方案和当前初始聚类方案的适应度值，即它们的信息熵，根据模拟退火准则来决定是否接受候选聚类方案C′。

6.如权利要求5所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S200具体包括：若接受候选聚类方案C′的适应度值比初始聚类方案C高，或者满足接受概率准则，则接受候选聚类方案C′作为新的聚类方案；所述接受概率准则的具体内容是：若接受候选聚类方案C′的适应度值比初始聚类方案C小，则以接受概率Paccept(C，C′)的概率去接受候选聚类方案C′。

7.如权利要求1所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S300具体包括：在概率图模型分类中，父节点集合得到基于对微生物之间的相互关系和依赖的深入分析，构建概率图模型，描述微生物之间的相互关系和依赖；通过学习网络的结构和参数，可以得到每个节点的父节点集合。

8.如权利要求7所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S300具体包括：通过利用深度学习模型学习数据的高级表示，该表示能够捕获数据中的复杂模式和结构；每个微生物在每个时间点t的特征向量X

9.如权利要求8所述的一种土壤中微生物识别及相互作用分析方法，其特征在于，所述步骤S300具体包括：、基于演化动力学，提出了一种动态权重计算方法，利用演化博弈论和动力学系统理论，分析微生物丰度数据的演化动态，从而计算出微生物之间的动态相互作用权重；为了构建微生物相互作用网络，引入一种基于非对称信息准则的阈值设定方法，这一方法计算不同阈值下，相互作用网络的非对称信息，并选择非对称信息最大的阈值作为最优阈值；阈值用于确定网络中的边，即微生物之间的相互作用；通过最大化非对称信息，可以构建一个揭示了微生物之间真实相互作用的网络；

基于构建的微生物相互作用网络，为了揭示微生物群落的多维度结构和功能特性，提出了一种基于多维度分析的网络优化方法；在不同的维度下提取网络的多维特性，并进行多维度的网络分析，在每个维度d上对网络N进行投影，得到网络在该维度上的投影，应用多维数据分析理论，对每个维度上的网络投影进行分析，以提取网络的多维特性。