1.一种滑坡次声信号识别方法，其特征在于，包括以下步骤：

采集多种不同类型的来自滑坡体的土壤，获取滑坡次声信号；

通过野外现场采集环境干扰次声信号；

分别分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异，提炼出一系列具有表征性的关键特征；

根据所述关键特征，结合KNN分类算法，建立滑坡次声信号智能识别模型，对监测到的信号进行判别。

2.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，对采集到多种不同类型的土壤开展滑坡灾变室内模拟实验，从而获取滑坡次声信号。

3.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，通过野外现场采集的环境干扰次声信号包括以下信号的任意组合：大风、雷电、爆破以及飞机和汽车的引擎产生的次声信号。

4.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，所述分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征及特征差异，提炼出具有表征性的关键特征，包括以下步骤：通过切比雪夫II型滤波器对采集到的滑坡次声信号进行滤波降噪处理，以去除随机噪声的影响，同时获取信号的最大振幅，通过信号振幅的变化来计算短时过零率；

通过海明窗对去除随机噪声的滑坡次声信号进行分帧加窗；

通过快速傅里叶变换和短时傅里叶变换对分帧加窗处理后的滑坡次声信号进行频率分布情况分析，提取出峰值频率；

通过一阶矩二阶矩谱估计分析并提取分帧加窗处理后的滑坡次声信号的中心频率和谱线宽度。

5.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，所述关键特征包括短时过零率、峰值频率、中心频率、谱线宽度以及最大有效声压。

滑坡次声信号/干扰次声信号的特征向量是[短时过零率，峰值频率，中心频率，谱线宽度]。

6.根据权利要求1所述的一种滑坡次声信号识别方法，其特征在于，所述根据所述相关特征建立滑坡次声信号智能识别模型，对监测到的信号进行判别，包括以下步骤：滤波降噪处理：利用切比雪夫II型滤波器对待识别信号S1进行低通滤波降噪，滤除高频部分，只保留次声部分；

分析有效声压：分析该段待识别信号S1的有效声压P1，若P1＜5Pa，则继续判别，否则视为非滑坡次声信号；

分析特征值：利用快速傅里叶变换以及一阶矩和和二阶矩谱估计方法分析该段待识别信号S1的短时过零率、峰值频率、中心频率和谱线宽度这四个特征值，分别为g1、f1、m1、w1；

建立特征向量：利用滑坡、风、爆破、雷电、引擎以及S1的短时过零率、峰值频率、中心频率和谱线宽度四个特征值建立各次声源的特征向量；

特征向量归一化：将待识别信号S1与已知类别声源的短时过零率、峰值频率、中心频率和谱线宽度四个特征值分别进行2-范数归一化处理；

待识别信号分类：将待识别信号S1作归一化处理后的特征向量分别与滑坡、风、爆破、雷电、引擎作归一化处理后的特征向量进行K-近邻分类，记录与待识别信号S1距离最近的声源类型，即为S1的声源类型，从而实现待识别信号S1的类别判断。

7.根据权利要求6所述的一种滑坡次声信号识别方法，其特征在于，所述各次声源的特征向量包括：滑坡：[0.01，2.0，3.6，3.3]，风：[0.11，2.7，5.6，3.9]，爆破：[0.06，4.5，8.3，6.4]，雷电：[0.12，2.8，4.8，3.8]，引擎：[0.22，5.2，10.4，6.7]；S1：[g1，g1，m1，w1]。

8.根据权利要求6所述的一种滑坡次声信号识别方法，其特征在于，所述K-近邻分类取K＝1，采用欧式距离。

9.根据权利要求6所述的一种滑坡次声信号识别方法，其特征在于，还包括对收集的滑坡次声信号和环境干扰次声信号进行划分，按照4∶1的比例，随机分为训练集和测试集，对训练集执行分析所述滑坡次声信号和干扰次声信号在时、频域上的相关特征以及特征差异步骤，所述测试集用于验证：利用各类型声源剩余的若干段信号对所述滑坡次声信号智能识别模型进行验证。