1.针对间歇采样重复转发式干扰的雷达干扰抑制方法，其特征在于，包括以下步骤：S1、获取样本数据：

获取无干扰的目标回波信号和间歇采样重复转发式干扰信号，分为训练集和验证集，设训练集分别包括N1个无干扰的目标回波信号和间歇采样重复转发式干扰信号，验证集分别包括N2个无干扰的目标回波信号和间歇采样重复转发式干扰信号，每个样本具有M个采样点；

S2、对样本数据进行预处理：

对步骤S1获得的数据集进行扩充，固定数据维数为1.2*M，将雷达目标无干扰回波数据在[1,1.2*M]的区间上通过随机平移和加权叠加，模拟出不同距离上出现的10个不同强度目标的情况，通过设置信干比，生成样本个数为50*N1、维度为1.2*M的回波信号和干扰信号混叠的带干扰的目标回波信号，作为训练数据，无干扰的回波信号集合作为标签信号；同理生成样本个数为50*N2、维度为1.2*M的回波信号和干扰信号混叠的带干扰的目标回波信号，作为验证数据，无干扰的回波信号集合作为标签信号；

S3、构建U型深度网络模型：

U型深度网络模型分为下采样和上采样两个部分，包括一维卷积层，最大值池化层和上卷积层，步骤S2预处理后的数据作为U型深度网络模型的输入，每两层一维卷积层之后都增加一个最大值池化层，池化层输出继续输入一维卷积层，下采样共有4层一维卷积层，滤波器数量逐层倍增，上采样部分同样有4层一维卷积层，每一层卷积层的输入由上一层卷积层输出和对称卷积层的输出特征图拼接构成，滤波器数量逐层递减，直至4层卷积层结束，最后一层卷积核为1*1，实现干扰抑制输出；损失函数使用均方差函数，误差函数如下：其中w和b为训练参数集，SignalNum为标签信号的个数，pre_sig，real_sig分别为模型的预测信号和真实标签信号；

S4、使用训练数据对构建的U型深度网络模型进行训练，并通过验证数据进行调参，获得训练好的U型深度网络模型；

S5、使用训练好的U型深度网络模型，对叠加了干扰的回波信号进行干扰抑制。

2.根据权利要求1所述的针对间歇采样重复转发式干扰的雷达干扰抑制方法，其特征在于，所述U型深度网络模型的具体结构为：除输入层外共包含36层网络结构，依次为：15层网络构成的下采样自编码部分，18层网络构成的为上采样解码部分，最后4层为输出分类层；

下采样自编码部分的层次结构依次为：

第一一维卷积层、第二一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第一最大池化层；

第三一维卷积层、第四一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第二最大池化层；

第五一维卷积层、第六一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第三最大池化层；

第七一维卷积层、第八一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第四最大池化层；

第九一维卷积层、第十一维卷积层，通道数为1024，卷积核为1*3，激活函数为Relu；第五最大池化层；

上采样解码部分的层次结构依次为：

第一上采样层；第十二一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；第一连接层，连接第七一维卷积层和第十二一维卷积层的输出；

第十三一维卷积层、第十四一维卷积层，通道数为512，卷积核为1*3，激活函数为Relu；

第二上采样层；第十五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；第二连接层，连接第五一维卷积层和第十五一维卷积层的输出；

第十六一维卷积层、第十七一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；

第三上采样层；第十八一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；第三连接层，连接第三一维卷积层和第十八一维卷积层的输出；

第十九一维卷积层、第二十一维卷积层，通道数为128，卷积核为1*3，激活函数为Relu；

第四上采样层；第二十二一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第四连接层，连接第一一维卷积层和第二十二一维卷积层的输出；

输出分类层的结构依次为：

第二十三一维卷积层、第二十四一维卷积层，通道数为64，卷积核为1*3，激活函数为Relu；第二十五一维卷积层，通道数为256，卷积核为1*3，激活函数为Relu；最后输出层为Softmax层。