1.一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于，包括：

初始特征提取：提取辐射源和装载平台的参数信息作为初始特征；

分类神经网络构建：输入初始特征，构建“初始特征‑神经网络中间层A‑辐射源和装载平台类别”上层分类神经网络结构，通过神经网络中间层A输出映射初始特征与辐射源、装载平台类别关系的特征矩阵A；

稀疏自编码器网络构建：初始特征同时作为输入输出量，构建“初始特征‑编码器‑神经网络中间层B‑解码器”下层稀疏自编码器网络结构，通过神经网络中间层B输出初始特征被深度提炼后的内在属性特征矩阵B；

特征矩阵拼接：将反映初始特征、辐射源和装载平台类别的关系特征矩阵A与反映初始特征自身内在属性的特征矩阵B拼接起来，得到最终的复杂环境特征参数；

所述稀疏自编码器网络中，编码器用于对初始特征进行降维处理，提炼初始特征的内核信息；解码器用于训练编码器，判断编码器提炼的信息是否准确，是否获得与初始特征相同信息量的特征，并将输出的误差反馈回初始特征，以此训练神经网络中间层B，输出初始特征被深度提炼后的特征矩阵B。

2.根据权利要求1所述的一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于：所述初始特征针对辐射源的参数包括雷达的载频、脉宽、到达角、脉冲重复频率、天线扫描周期，结合通信和干扰信号的脉冲到达时间、脉冲包络参数、脉内调制参数、幅度、频谱参数；

所述初始特征针对装载平台的参数包括装载平台移动速度、空间位置参数。

3.根据权利要求1所述的一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于：所述分类神经网络中的信息朝一个方向传播，所述神经网络中间层A的训练方式采用有监督学习的方式。