1.基于多层级神经网络的抗模式耦合信号复杂格式解析方法，其特征在于，包括：根据接收的未知信号，生成未知信号星座图；

将未知信号星座图输入训练获得的卷积神经网络模型，预测获得传输模式和调制格式；

训练获得卷积神经网络模型，包括：

将训练数据集输入卷积神经网络模型，训练数据集包括有标签的星座图；

卷积神经网络模型从有标签的星座图中提取高维信息特征；

根据高维信息特征，判定获得传输模式和调制格式；

将判定获得的传输模式和调制格式与标签比较，对卷积神经网络模型进行参数的更新迭代；

重复上述步骤，直到达到预设的迭代次数，获得最终的卷积神经网络模型；

根据高维信息特征，判定获得传输模式和调制格式，包括：卷积神经网络模型包括第一级卷积神经网络和第二级卷积神经网络，第一级卷积神经网络提取高维信息特征并判别传输模式；

第二级卷积神经网络获取第一级卷积神经网络输出的参量，并识别调制格式；

第一级卷积神经网络和第二级卷积神经网络均包括第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层和第二全连接层，第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层依次连接。

2.根据权利要求1所述的基于多层级神经网络的抗模式耦合信号复杂格式解析方法，其特征在于，将判定获得的传输模式和调制格式与标签比较，对卷积神经网络模型进行参数的更新迭代，包括：将判定获得的传输模式和调制格式与标签相比较，得到判定的数据分布和标签中正确的数据分布；

计算判定的数据分布和标签中正确的数据分布的均方误差；

更新迭代卷积神经网络模型中包括神经元偏置和权重的参数。

3.根据权利要求1所述的基于多层级神经网络的抗模式耦合信号复杂格式解析方法，其特征在于，有标签的星座图为根据光信号在不同已知传输模式不同已知耦合系数下所生成的。

4.根据权利要求1所述的基于多层级神经网络的抗模式耦合信号复杂格式解析方法，其特征在于，第一级卷积神经网络提取的高维信息特征包括传输信号的CCD光斑模场图、成像频谱和双重傅里叶变换序列。

5.根据权利要求1所述的基于多层级神经网络的抗模式耦合信号复杂格式解析方法，其特征在于，第一级卷积神经网络输出的参量包括信号星座图、斯托克斯空间球面映射参量和高阶累积量。

6.根据权利要求1所述的基于多层级神经网络的抗模式耦合信号复杂格式解析方法，其特征在于，将未知信号星座图输入训练获得的卷积神经网络模型之前，对未知信号星座图进行取均值和归一化处理。

7.存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。