1.一种融合一维二维卷积神经网络的深度学习信号分类方法，其特征在于：包括以下步骤：S1：使用无线电信号作为样本数据，分别处理IQ信号的I通道和Q通道，利用Gram矩阵将它们转化为不同的特征矩阵SI、SQ；

S2：定义一个结构对称的一维卷积和二维卷积并联的卷积神经网络模型；

S3：将无线电信号输入一维卷积通道，将SI、SQ输入二维卷积通道；

S4：在一维卷积和二维卷积每一个块单元结束后，将一维卷积的特征向量利用Gram矩阵转化为二维矩阵，再经过卷积后，叠加到二维卷积神经网络的特征矩阵上；

S5：对卷积神经网络模型进行端到端的训练；

S6：将样本数据输入训练完成的模型进行分类。

2.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法，其特征在于：所述步骤S1具体包括：S1.1：使用无线电信号作为样本数据：

所使用的数据集包括但不限于11个调制类别：用于数字调制的BPSK、QPSK、8PSK、

16QAM、64QAM、BFSK、CPFSK和PAM4，以及用于模拟调制的WB-FM、AM-SSB和AM-DSB；

S1.2：制作特征矩阵：

首先，分别处理IQ信号的I通道和Q通道，将它们转化为不同的矩阵，IQ信号可以表示为：I＝[i1，i2，i3，…，iN]

Q＝[q1，q2，q3，…，qN]

其中，N是每个通道的信号长度，处理I、Q通道的操作相同，使用Gram矩阵对信号I的通道进行特征关联，得到一个特征矩阵SI，如下所示：其中，N是每个通道的信号长度，通过Gram矩阵将原始信号数据转化成特征矩阵。

3.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法，其特征在于：步骤S2所述的卷积神经网络模型包括有二维卷积神经网络和一维卷积神经网络，所述一维卷积神经网络通道通过Gram矩阵以及另一个二维卷积神经网络和所述二维卷积神经网络通道相连，并在各自卷积层后加入全局平均池化层，最后利用全连接层进行分类。

4.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法，其特征在于：所述步骤S4具体包括：将一维卷积通道每一个块单元结束后的特征向量利用步骤S1中的方法转化为对应的特征矩阵，并且依次加以1×1和3×3的二维卷积，最后将经过卷积运算的特征矩阵叠加到二维卷积通道上。

5.如权利要求1所述的一种融合一维二维卷积神经网络的深度学习信号分类方法，其特征在于：所述步骤S5具体包括：整个卷积神经网络框架的训练是端到端的，一维卷积通道、二维卷积通道和步骤S4中所述的一维卷积和二维卷积交互网络可以一起训练或者交替训练，卷积神经网络的主要结构选用任何典型深度学习网络中的任意一个。