1.一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于：包括以下步骤：S1：收集历史数据，形成数据集；

S2：对数据集进行原域贝叶斯网络建模；

S3：使用迁移学习方法将贝叶斯网络迁移到目标域中突发水质污染环境数据中；具体步骤为：C1：衡量两个数据集之间的分布差异；

C2：更新迁移贝叶斯网络；

所述步骤C1中衡量两个数据集之间的分布差异，使用最大均值差异(Maximum mean discrepancy，MMD)，度量两个样本在再生希尔伯特空间中两个分布的距离，要求计算值足够小，计算如下：其中，k(.)是映射，用于把原变量映射到高维空间中，X表示大样本的常规水质数据集，Y表示小样本的突发水质污染环境下的数据集，m，n分表表示X，Y的样本个数；

所述步骤C2所述的更新迁移贝叶斯网络使用小样本的突发水质污染环境下的数据集更新迁移贝叶斯网络的节点参数，使用贝叶斯方法更新参数，具体方法如下：其中P(O)是贝叶斯网络训练的参数分布，data为小样本的突发水质污染环境下的数据集；

S4：突发污染环境下的水质预测结果输出。

2.根据权利要求1所述的一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于，步骤S1中收集历史数据的步骤还包括：将数据集分为大样本的常规水质数据集与小样本的突发水质污染环境下的数据集。

3.根据权利要求2所述的一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于，步骤S2的具体步骤为：A1：确定贝叶斯网络的节点；

A2：确定贝叶斯网络结构；

A3：确定条件概率表。

4.根据权利要求3所述的一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于，步骤A1中，对水质进行区域划分使用地表水环境质量标准现值，得到水质类别，作为目标节点，其余属性为影响节点。

5.根据权利要求4所述的一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于，所述步骤A2中使用K2算法进行贝叶斯网络结构学习，具体步骤为：B1：确定最大父节点数以及顺序，最大父节点数即数据集属性个数，目标节点为顺序的最后一个；

B2：计算网络得分，计算公式如下：

其中，属性Xi有ri个状态，父节点集合pxi有qi个状态，Nijk是属性Xi的第k个状态；

B3：开始搜索父节点，并计算新的网络得分；

B4：与之前的网络得分进行比较，若大于以前的网络得分则保留该父节点，若小于则丢弃该父节点；

B5：重复步骤B2至步骤B4，直到搜索完所有的节点。

6.根据权利要求5所述的一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于，所述步骤A3中使用最大似然参数估计方法进行贝叶斯网络参数学习，得到贝叶斯网络每个节点的条件概率表，具体计算方式如下：对于给定的参数x，数据D的条件概率P(D|x)称为x的似然度，被记为L(x|D)＝P(D|x)；称为x的似然函数；使L(x|D)达到最大的那个值x*就是参数x的最大似然估计；

7.根据权利要求6所述的一种突发水质污染环境下的贝叶斯迁移学习方法，其特征在于，所述的突发污染环境下的水质预测结果输出具体步骤为：按照训练输入‑输出模式，将新的数据输入迁移贝叶斯网络中，模型输出即为突发污染环境下的水质预测结果。