1.一种折射率重建方法，其特征在于，包括：获取待测流场的莫尔条纹；

基于傅立叶分析和多重网格法，利用待测流场的莫尔条纹获得标准莫尔条纹偏折角分布；

将获得的标准莫尔条纹偏折角分布输入预设卷积神经网络获得预测流场折射率分布；

将获得的预测流场折射率分布进行Radon变换得到预测莫尔条纹偏折角分布；

将标准莫尔条纹偏折角分布和预测莫尔条纹偏折角分布代入误差函数，确定误差值；

根据误差值的收敛状态，确定收敛卷积神经网络；

采用所述收敛卷积神经网络计算标准流场折射率分布；

所述基于傅立叶分析和多重网格法，利用待测流场的莫尔条纹获得标准莫尔条纹偏折角分布，具体包括：将待测流场的莫尔条纹进行傅里叶变换得到莫尔条纹频域信息；

提取莫尔条纹频域信息中的一个旁瓣并平移至频域原点并进行傅里叶逆变换；

根据傅里叶逆变换后的结果计算得到莫尔条纹包裹相位；

将莫尔条纹包裹相位进行多次收缩和延拓获得不同粗细网格下的包裹相位；

将不同粗细网格下的包裹相位进行包裹处的残差迭代，得到莫尔条纹真实相位分布；

根据莫尔条纹真实相位分布计算获得标准莫尔条纹偏折角分布；

所述将获得的标准莫尔条纹偏折角分布输入预设卷积神经网络获得预测流场折射率分布，具体包括：将获得的标准莫尔条纹偏折角分布输入预设卷积神经网络，获取所述预设卷积神经网络中卷积层输出的相同分辨率特征图；

将相同分辨率特征图激活后输入池化层进行最大池化计算得到下一层低分辨率特征图；

将下一层低分辨率特征图经过多次下采样计算得到最低层特征图；

将最低层特征图进行反卷积计算得到上一层高分辨率特征图；

将上一层高分辨率特征图与相同分辨率特征图进行跳跃连接得到与所述上一层高分辨率特征图对应的新特征图；

将新特征图进行卷积和激活计算后经过多次上采样计算获得预测流场折射率分布；

所述将获得的预测流场折射率分布进行Radon变换得到预测莫尔条纹偏折角分布，具体包括：，

其中， 为Radon变换算子， 为预测流场折射率分布， 为预测莫尔条纹偏折角分布；

所述将标准莫尔条纹偏折角分布和预测莫尔条纹偏折角分布代入误差函数，确定误差值，具体包括：，

其中， 为误差值， 为预测莫尔条纹偏折角分布， 为标准莫尔条纹偏折角分布，为Radon变换算子， 为预设卷积神经网络从输入到输出的映射， 为标准莫尔条纹偏折角分布的总行数， 为标准莫尔条纹偏折角分布的总列数， 为标准莫尔条纹偏折角分布的行索引， 为标准莫尔条纹偏折角分布的列索引。

2.根据权利要求1所述的折射率重建方法，其特征在于，所述根据误差值的收敛状态，确定收敛卷积神经网络，具体包括：判断误差值是否收敛；

如果是，则将预设卷积神经网络作为收敛卷积神经网络；

如果否，则更新预设卷积神经网络的网络参数，采用更新后的预设卷积神经网络返回执行获得预测流场折射率分布的步骤及其后续步骤，直至误差值收敛，将当前的更新后的预设卷积神经网络作为收敛卷积神经网络。

3.根据权利要求1所述的折射率重建方法，其特征在于，所述采用所述收敛卷积神经网络计算标准流场折射率分布，具体包括：获取待测流场的莫尔条纹；

将基于傅立叶分析和多重网格法，利用待测流场的莫尔条纹所获得的标准莫尔条纹偏折角分布输入收敛卷积神经网络，所述收敛卷积神经网络输出的结果即为标准流场折射率分布。