1.一种基于深度学习的多光谱光场成像方法，其特征在于，包括以下步骤：S1、获取清晰的光场图像；

S2、提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；

S3、获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；

S4、基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：L＝Lh+τLr

式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：式中， 和 表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；

S5、以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；

S6、将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。

2.根据权利要求1所述的基于深度学习的多光谱光场成像方法，其特征在于，获取清晰的光场图像包括：

将待测物体、主透镜、液晶微透镜阵列以及CCD相机放置在同一光轴上，给液晶微透镜阵列加载电压，调节电压在CCD相机处获得清晰的光场图像。

3.根据权利要求2所述的基于深度学习的多光谱光场成像方法，其特征在于，液晶微透镜阵列为聚合物稳定液晶或向列相液晶复合微透镜阵列。

4.根据权利要求1所述的基于深度学习的多光谱光场成像方法，其特征在于，采用非周期性算法提取光场图像的子视角图。

5.根据权利要求1所述的基于深度学习的多光谱光场成像方法，其特征在于，训练集为ICVL数据库。

6.一种用于实现权利要求1至5中任意一项所述的基于深度学习的多光谱光场成像方法的基于深度学习的多光谱光场成像系统，其特征在于，包括；

采集模块，用于获取清晰的光场图像；

合成模块，用于提取清晰光场图像的子视角图，并将子视角图采用像素拼接算法合并成一张二维光场图像；

数据集模块，用于获取训练集，训练集为二维光场图像及与其对应的波段光谱图像；

构建模块，用于基于卷积神经网络构建多光谱重建网络，并将二维光场图像与波段光谱图像的差异，以及相机光谱灵敏度函数都集成到多光谱重建的损失计算中，构建的损失函数如下：

L＝Lh+τLr

式中，τ为折衷参数，Lh为真实值对应的损失函数，Lr为光谱重建值对应的损失函数；给定真实值IHSI和光谱重建值ISR，则这两个损失函数分别为：式中， 和 表示图像的第p个像素值，N表示图像的总像素数，φ表示相机光谱灵敏度函数；

训练模块，用于以训练集的二维光场图像为输入，以其对应的波段光谱图像为输出，训练多光谱重建网络；

重建模块，用于将二维光场图像输入至训练好的多光谱重建网络，获得同时具有光场和光谱信息的波段光谱图像。