1.基于多源信息融合的林业生态环境人机交互方法，其特征在于：该方法包括以下步骤：S1：多源异构数据的特征稀疏化提取；

S2：多源异构特征统一表示；

S3：深度自编码下的多源异构决策信息融合；

S4：采用稀疏自编码和卷积神经网络算法，进行多模态数据的深度特征提取，构建基于多源信息融合的深度学习模型；通过选择合适的梯度表示，对学习模型进行交叉验证，检查学习模型是否存在缺陷；

S5：深度学习模型优化；

所述步骤S1中具体为：为了获取多源信息的稀疏特征表示，降低融合数据的维度与计算复杂度，项目针对多源异构的稀疏性和复杂性问题，从多源异构数据的稀疏性与复杂性出发，构建跨媒体特征提取模型；

所述步骤S2具体为：对多传感器网络环境下，多传感器异构信息通过经典相关分析算法CCA和同构相关冗余变换算法IRRT分析，将多个异构信息映射到一个统一的、量纲可计算的空间，通过此步骤对于特征信息进行统一表示；

所述步骤S3具体为：在林业信息中，部分传感器信息是以决策信息的形式存在的，包括火警信息、危险行为和危险言论信息；在林业多模态人机交互系统中，决策信息是通过系统对于图像及语义特征信息进行判断而获取的，采用一种基于深度自编码的决策算法来对人机交互系统中的图像、语义决策信息进行融合；

所述步骤S5具体为：依据选择的基本表示结构，将稀疏表征下训练数据全集提交给构建的深度学习模型进行无监督学习预训练，获得预训练权值；其中，设置深度神经网络隐藏层偏置为0，输出层的偏置为假定权值ω＝0时的最优值；权值设置为ω∈(-r,r)，fanin为前一层网络节点数，fanout为后一层网络节点数；完成预训练后，对训练数据中的部分数据集进行人工知识标注，所述部分数据集不超过整体的20％；

将这些数据按照同样的表示结构提交给带有预训练权值的深度学习模型进行有监督训练。