1.一种多孔径紧凑型多光谱成像系统，其特征在于，包括：面阵CCD探测器；

线性渐变滤光片，安装在所述面阵CCD探测器的前方；

高精度角度调节器，用于安装所述线性渐变滤光片及调整所述线性渐变滤光片的角度；

微透镜阵列，安装在所述高精度角度调节器的前方，所述面阵CCD探测器处于所述微透镜阵列的焦距上；

多孔径遮光板，安装在所述微透镜阵列的前方，所述微透镜阵列中每个微透镜的中心与所述多孔径遮光板上对应的孔径中心一一对应，所述微透镜阵列、所述多孔径遮光板及所述线性渐变滤光片的方向分别与所述面阵CCD探测器的方向对齐；

电控精密位移台，用于安装所述微透镜阵列和所述多孔径遮光板及驱动所述微透镜阵列和所述多孔径遮光板产生位移；

计算机，所述计算机分别与所述面阵CCD探测器和所述电控精密位移台连接，用于通过深度学习图像超分辨率重建算法获取目标物超分辨率图像。

2.根据权利要求1所述的多孔径紧凑型多光谱成像系统，其特征在于，所述微透镜阵列为p×q的微透镜阵列，所述多孔径遮光板为p×q的多孔径遮光板，p、q分别为阵列的行数和列数。

3.根据权利要求1所述的多孔径紧凑型多光谱成像系统，其特征在于，所述线性渐变滤光片与所述微透镜阵列的水平夹角为β＝7.5°。

4.一种深度学习图像超分辨率重建方法，其特征在于，包括：利用如权利要求1至3任一所述的多孔径紧凑型多光谱成像系统拍摄被测目标物图像；

将拍摄得到的目标物图像分割成多张子图像Ai，得到包括多张子图像Ai的图像集A，i＝

1,2,...,K；

以图像集A中的第k张子图像Ak为目标图像，将剩余的K‑1张子图像与目标图像进行配准，得到新的子图像集W＝[W1,W2,...,Wi,...,WK]；子图像集W中元素总数为K，Wk为目标图像Ak；

将子图像集W中的K张图像输入到深度神经网络，之后输出即为超分辨率图像GI，其数学模型可以表示如下：GI＝GI(x,y)＝Ω(W,Θ)；

式中GI(x,y)表示超分辨率图像，Ω()是一个隐函数，表示深度神经网络，Θ是深度神经网络的网络参数，(x,y)表示像素坐标。

5.根据权利要求4所述的深度学习图像超分辨率重建方法，其特征在于，在深度神经网络训练过程中，采用ADAM优化算法对损失函数L(Θ)进行优化，其过程表示如下：m

式中M为总训练次数，W为第m个子图像集，GTm为第m个高分辨率图像。

6.根据权利要求5所述的深度学习图像超分辨率重建方法，其特征在于，还包括：训练m数据集 中的W子图像集生成方法，该生成方法具体包括：将GTm图像缩小a倍；

将缩小的图像在水平和竖直方向上分别随机移动b、c个像素，b,c∈[D,E]，D、E为常数项；然后将移动后的图像加上高斯噪声、泊松噪声、加性高斯白噪声、高斯模糊、散焦模糊、m运动模糊，得到子图像记为B；

m m

将B进行图像配准，最后得到用于训练的子图像集W。

7.根据权利要求5所述的深度学习图像超分辨率重建方法，其特征在于，还包括：经过M次训练后，得到优化参数Θ。