1.一种气象雷达杂波分类识别方法，其特征在于，包括：获取测试的气象雷达数据并进行预处理；

将预处理后的测试的气象雷达数据输入训练好的SegNet网络模型中，获取分类识别结果；

其中，所述SegNet网络模型的训练过程包括：获取训练的气象雷达数据并进行预处理；所述气象雷达数据包括雷达反射率、差分反射率、差分传播相移率、相关系数及微分相位；

基于数据类型将预处理后的气象雷达数据整合成对应的训练数据集；

分别计算雷达反射率和微分相位对应的训练数据集的标准差作为雷达反射率和微分相位的纹理数据；

采用模糊逻辑算法处理训练数据集中训练数据与纹理数据获取粒子相态类型的标签集；

初始化SegNet网络模型，并基于训练数据集和标签集进行迭代训练，直至达到预设的最大迭代次数或SegNet网络模型的权重参数收敛。

2.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述预处理包括数据清洗和尺度扩充；

所述数据清洗包括查找气象雷达数据中的NaN数据值以及小于零的雷达反射率，并分别置零；

所述尺度扩充包括将气象雷达数据采取左上对齐、右下补零的方式进行扩充。

3.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述分别计算雷达反射率和微分相位对应的训练数据集的标准差包括：遍历雷达反射率对应的训练数据集，计算1km范围内雷达反射率的标准差SD(ZH)：式中，m(ZH)为1km范围内雷达反射率ZH的平均值，nZ为1km范围内雷达反射率的数据点个数；

遍历微分相位对应的训练数据集，计算2km范围内微分相位的标准差式中，m(φDP)为2km范围内微分相位φDP的平均值，nφ为2km范围内微分相位的数据点个数。

4.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述采用模糊逻辑算法处理训练数据集与纹理数据获取粒子相态类型的标签集包括：采用梯形函数作为模糊逻辑算法的隶属度函数，将训练数据集中的训练数据与纹理数据作为输入参数进行模糊逻辑运算，获取粒子相态类型对应的隶属度作为模糊逻辑输出；

梯形函数为：

(j)

式中，X1、X2、X3、X4为梯形函数的阈值参数，P (xi)为第j个输入参数对第i种粒子相态类型的隶属度；

采用加权平均判决法对模糊逻辑输出进行退模糊化，获取粒子相态类型对应的隶属度集成值：式中，Si为第j个输入参数对第i种粒子相态类型的隶属度集成值，Wij为第i种粒子相态类型第j个输入参数的权重系数，J为输入参数数量；

若输入参数的隶属度集成值为0，则输入参数对应的粒子相态类型为无气象回波，将其标签设置为0；

若输入参数的隶属度集成值大于设定阈值，则输入参数对应的粒子相态类型为杂波，将其标签设置为1；

若输入参数的隶属度集成值小于设定阈值且大于0，则输入参数对应的粒子相态类型为其他，将其标签设置为2；

根据输入参数的标签构建粒子相态类型的标签集。

5.根据权利要求1所述的一种气象雷达杂波分类识别方法，其特征在于，所述基于训练数据集和标签集进行迭代训练包括：基于SegNet网络模型的Encoder网络下采样训练数据，获得数据特征；

基于SegNet网络模型的Decoder网络上采样特征数据，获取预测结果；

基于交叉熵损失函数计算预测结果与其标签的损失，并根据损失反向传播更新SegNet网络模型的权重参数。

6.根据权利要求5所述的一种气象雷达杂波分类识别方法，其特征在于，所述Encoder网络包括：第一层，依次由两个64×3×3的卷积以及最大池化下采样组成；

第二层，依次由两个128×3×3的卷积以及最大池化下采样组成；

第三层，依次由三个256×3×3的卷积以及最大池化下采样组成；

第四层，依次由三个512×3×3的卷积以及最大池化下采样组成；

第五层，依次由三个5212×3×3的卷积以及最大池化下采样组成；

所述Decoder网络包括：

第一层，依次由反最大池化上采样以及三个521×3×3的卷积组成；

第二层，依次由反最大池化上采样以及三个521×3×3的卷积组成；

第三层，依次由反最大池化上采样以及两个256×3×3的卷积组成；

第四层，依次由反最大池化上采样以及两个128×3×3的卷积组成；

第五层，依次由反最大池化上采样以及两个64×3×3的卷积组成。

7.根据权利要求5所述的一种气象雷达杂波分类识别方法，其特征在于，所述迭代训练的过程中，通过Pixel Accuracy作为精度评价指标，获取预测结果和标签的接近程度。

8.一种气象雷达杂波分类识别装置，其特征在于，所述装置包括：预处理模块，用于获取测试的气象雷达数据并进行预处理；

分类识别模块，用于将预处理后的测试的气象雷达数据输入训练好的SegNet网络模型中，获取分类识别结果；

模型训练模块，用于：

获取训练的气象雷达数据并进行预处理；所述气象雷达数据包括雷达反射率、差分反射率、差分传播相移率、相关系数及微分相位；

基于数据类型将预处理后的气象雷达数据整合成对应的训练数据集；

分别计算雷达反射率和微分相位对应的训练数据集的标准差作为雷达反射率和微分相位的纹理数据；

采用模糊逻辑算法处理训练数据集中训练数据与纹理数据获取粒子相态类型的标签集；

初始化SegNet网络模型，并基于训练数据集和标签集进行迭代训练，直至达到预设的最大迭代次数或SegNet网络模型的权重参数收敛。

9.一种气象雷达杂波分类识别装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1‑7任一项所述方法的步骤。

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