1.一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于，包括：获取历史影像和矢量数据，构建影像解译样本库；

构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像；

基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像。

2.根据权利要求1所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述获取历史影像和矢量数据，构建影像解译样本库，包括：获取测绘数据，确定DOM数据和DLG数据；

根据所述DOM数据，获取历史影像；

根据所述DLG数据，获取矢量数据；

确定所述历史影像和矢量数据的掩膜，并在地理坐标上将所述掩膜与预设的地理要素进行对齐；其中，所述地理要素与掩膜的类别相对应；

根据所述地理坐标，标注所述地理要素；其中，当所述地理要素存在重叠现象时，对所述地理要素进行多类标注；

当所述地理要素存在重叠现象，并进行拓扑检查时，根据所述地理要素的类别优先级，进行唯一标注；

当所述地理坐标被标注后，将所述历史影像和掩膜裁剪为影像块；其中，所述影像块与掩膜一一对应；

将所述影像块输入深度学习模型，确定影像解译样本库。

3.根据权利要求1所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像，包括：获取测绘数据，确定不同分辨率遥感影像；

构建深度残差卷积神经网络模型和特征编码器，并配置多层的非线性残差运算单元，根据多层的非线性残差运算单元，抽取不同分辨率遥感影像的本质空间特征；

将所述不同分辨率遥感影像的本质空间特征进行特征级可微分融合，确定融合特征；

根据所述融合特征，使用影像解译样本库训练深度残差全卷积网络模型，并利用梯度下降算法收敛损失值；

利用训练完成的残差全卷积网络网络模型进行影像解译，生成第一解析影像。

4.根据权利要求3所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述利用梯度下降算法收敛损失值，包括：根据所述融合特征，确定每个融合特征的数量场Si(xi,yi,zi)；

根据所述数量场，确定所述融合特征的梯度向量 其中，所述所述Ti表示第i个融合特征的梯度向量；

获取所述影像解译样本库的影像特征集合 所述aj表示影像解译样本库的第j个影像特征；

确定所述梯度向量在收敛过程中的贡献度：

根据所述贡献度，确定贡献百分值，并基于所述贡献百分值，确定损失值。

5.根据权利要求1所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像，还包括：基于预设的深度学习框架，构建层次化结构的高性能自动化影像解译系统；其中，所述高性能自动化影像解译系统包括：界面层、业务层、数据处理层、数据库层和底层运行层；

所述数据库层采用并行存储服务器存储历史影像和矢量数据；

根据所述高性能自动化影像解译系统，将所述历史影像和矢量数据处理为二进制数据；

基于预设的多项式误差衰减学习策略微调学习率，确定所述二进制数据的水平翻转和垂直翻转的增强数据；

将所述增强数据通过正则化方法处理，确定第一解析影像。

6.根据权利要求1所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像，包括：获取时空大数据，进行分析挖掘，确定时空大数据分析挖掘结果，并作为第二解析影像；其中，所述第二解析影像包括位置信息和分类要素信息；

将所述第一解析影像做为基底，融合所述位置信息和分类要素信息，判断分类结果是否正确，并进行调整，生成融合时空大数据后的目标解析影像。

7.根据权利要求6所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述获取时空大数据，进行分析挖掘，确定时空大数据分析挖掘结果，包括：根据所述历史影像和矢量数据，确定时空大数据；其中，所述时空大数据包括物联网传感器、互联网数据、电信信令数据；

基于所述影像解译样本库，对所述时空大数据的数据进行挖掘，确定第一目标数据；

基于数据分类和解译目标，对所述第一目标数据进行分析筛选，确定时空大数据。

8.根据权利要求1所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像，还包括：根据所述时空大数据，确定几何位置、自然属性、社会属性；

将所述几何位置、自然属性、社会属性与所述目标解析影像匹配；其中，若匹配吻合，验证无误，表示目标解析影像；

如果匹配不吻合，分析误差原因，进行相应地修正，并确定目标解析影像，其中所述误差原因包括：地表变化误差或解译误差。

9.根据权利要求8所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述将所述几何位置、自然属性、社会属性与目标解析影像匹配，包括：确定以第一解析影像的帧向量： 其中，

所述Wb表示第b帧第一解析影像的特征值；所述W第一解析影像的特征均值；

获取几何位置坐标集合JI(XI,YI)，确定几何位置与所述第一解析影像的第一关联值：获取自然属性的特征值R，确定自然属性与所述第一解析影像的第二关联值：所述Rl表示第l个自然属性的特征值；l＝1，2，3，.....N；

获取社会属性的特征值H，确定自然属性与所述第一解析影像的第三关联值：其中，所述hc表示社会属性中第c个本地属性的特征值；所述kd表示社会属性中第d个目的属性的特征值；Hcd表示第c个本地属性的第d个目的属性的特征值； d＝1，

2，3，.....D；

根据所述第一关联值、第二关联值和第三关联值，确定匹配值P：其中， 表示所述第一关联值、第二关联值和第三关联值的均值；

当所述P＝1，表示匹配吻合，验证无误，确定目标解析影像；

当P≠1，表示匹配不吻合，分析误差原因，进行相应地修正，并确定目标解析影像。

10.根据权利要求8所述的一种融合人工智能技术和大数据的多源影像自动解译方法，其特征在于：所述分析误差原因，进行相应地修正，包括：基于所述深度残差全卷积网络，确定所述目标解析影像的本质空间特征；

基于所述影像解译样本库，预测所述目标解析影像的本质空间特征；

将所述标解析影像的本质空间特征和预测的目标解析影像的本质空间特征进行对比，确定第一损失比；

根据所述第一损失比，设置第一阈值；

在训练完成的残差全卷积网络网络模型引入第一阈值，将所述目标解析影像的本质空间特征代入训练完成的残差全卷积网络模型进行解译修正。