1.基于残差注意力网络的波前畸变校正方法，其特征在于，包括以下步骤：采用残差网络作为主干网络，在残差网络的基础上构建混合注意力结构，使用卷积操作将光强图像转换为特征图向后传播；

通过不同尺度的卷积核来分布式提取特征，利用注意力机制提高网络对破损光斑特征的识别率，增强网络表达光强图像特征的能力；

设计网络损失函数，得到符合实际波前像差的zernike系数；

所述混合注意力结构包括空间注意力机制与动态选择机制网络，采用卷积操作提取特征映射信息，加入残差跳连结构根据输入的特征的重要程度来为模型分配计算资源；

所述动态选择机制网络包括分解、融合和选择三个部分；

在所述分解部分：

选用3×3和5×5大小的双流网络卷积结构，表示为：h×w×C

其中X∈R 为输入的特征图，f代表卷积操作；其中5×5的卷积采用空洞卷积操作；

在所述融合部分：

通过求和操作控制特征图相加，然后由全局平均池化统计卷积层每个通道携带的信息得到s，最后进行特征降维得到z，表示为：z＝Ffc(s)＝δ(B(Ws))

其中Fgp是全局池化操作，Ffc是全连接操作，δ为线性整流函数，B为Batch Normal d×Cization层，Ws∈R ，d＝max(C/r,L)表示全连接之后的特征维度，r为压缩因子，L表示d的最小值；

在所述选择部分：

使用softmax函数计算各个通道的权重分布，表示为：其中a和b为别为两个通道的软注意力权重矩阵，V为SKNet的输出矩阵。

2.根据权利要求1所述的基于残差注意力网络的波前畸变校正方法，其特征在于，所述残差网络为ResNet50模型，首先通过7×7的下采样卷积操作将输入的光强图转变为特征图像，之后采用过滤器大小为3×3的最大池化操作减少特征映射的参数，将其降维至初始图像的1/4大小。

3.根据权利要求1所述的基于残差注意力网络的波前畸变校正方法，其特征在于，所述空间注意力机制，用于对目标区域的特征加以权重，寻找网络中特征间的联系，使特征提取网络有选择性地关注包含重要信息的目标区域；表示为：其中c表示拼接操作，σ为sigmoid激活函数，Favg与Fmax分别表示沿着通道轴执行的平均池化操作和最大池化操作。

4.根据权利要求1所述的基于残差注意力网络的波前畸变校正方法，其特征在于，其中，设计网络损失函数，主要包括：AO系统评价指标中波前峰谷值和波前均方根值的表达式为：PV＝max(Δφ(ρ,θ))‑min(Δφ(ρ,θ))其中Δφ为波前像差， 为其均值，ρ和θ为光瞳面的极坐标；

将其两者结合，产生MSE的损失函数，其表达式为：L＝λMSELMSE+λPVLPV+λRMSLRMS式中zact和zpre分别为实际的与估计的zernike系数，长度为N，λ为各损失的权重，L为各个损失函数的加权和，损失函数的缩小代表着重构精度的提高。