1.一种基于无监督分割的高光谱图像小目标检测方法，其特征在于，包括以下步骤：S1、对待检测的高光谱目标图像进行归一化处理；

S2、建立基于深度学习网络的高光谱图像分割模型实现对高光谱目标图像的分割；

S3、根据S2中模型得到的高光谱目标图像分割结果图，统计分割结果图中每一连通域内包含的像素个数，并判断每一连通域内像素个数是否小于设定的阈值N，如果是，则执行S4；如果否，则执行S6；

S4、根据分割结果图，将待检测的高光谱目标图像划分为多个大小不一的连通域，并将连通域内的像素个数小于设定的阈值N的连通域判定为待检测小目标的感兴趣区域；

S5、将S4得到的感兴趣区域内的像素光谱与已知光谱模板作为自适应余弦估计高光谱检测器的输入，进一步检测感兴趣区域内的像素是否为目标像素；

S6、输出高光谱目标图像的检测结果；

所述S2包括以下子步骤：

S21、以归一化后的高光谱目标图像作为输入，以全卷积网络为基础，建立包含n个卷积层的特征提取和分割模型，其中卷积层采用二维多通道卷积且第1层卷积层的通道数目应与输入高光谱数据所包含的波段数目相等，后面卷积层的通道数目与其所输入的特征图数目保持一致；此外，为了保证卷积前后输入数据的长度和宽度保持不变，前n‑1个卷积层对输入图像的边界进行补零填充，对应卷积核的数目为kn‑1，第n个卷积层采用1×1卷积，卷积核的数目为kn；

S22、高光谱目标图像经过n个卷积层后得到一组长度为I1、宽度为I2、深度为kn的特征图mn，并将得到的特征图的值归一化到[0,1]；

S23、根据第n层卷积层得到的特征图mn，高光谱目标图像每个像素点对应的特征表示为yn，n＝1,2,3,…,I1×I2，其中yn为长度为kn的特征向量；对高光谱目标图像中的任一像素点，利用Argmax函数选取特征向量最大值所在的位置为对应像素点的伪标签Ci，1≤i≤kn，且得到的Ci满足以下条件：S24、以S23得到的伪标签Ci为基准，利用下式计算模型的损失函数L并在反向传播过程中利用梯度下降法来更新网络参数，其中，ξ为常数；

S25、跳转到S22，对模型进行新一轮的训练，在模型训练过程中，借助更新的网络参数，得到新的特征用以更新像素点的伪标签，而新得到的伪标签又能帮助模型进一步更新参数，即模型参数和伪标签的更新是交替进行的；当模型训练次数大于预设的训练次数时，停止对模型的训练，根据模型输出的伪标签，将具有相同伪标签的像素点划分到同一区域内即得到待检测高光谱目标图像的分割结果图。

2.根据权利要求1所述的一种基于无监督分割的高光谱图像小目标检测方法，其特征在于，所述S5包括以下子步骤：S51、将待检测区域的三维高光谱数据按照模‑q展开成二维矩阵，其中q＝1,2,3；

S52、以自适应余弦估计高光谱检测器来检测感兴趣区域内是否包含目标，其中自适应余弦估计高光谱检测器的表达式如下：上式中，r是待检测的像素光谱，s是已知的目标模板光谱，Γ是由下式估计得到的协方差矩阵：在上式中，M3是待检测区域中包含所有像素点的数目，为待检测像素光谱的均值，即：S53、将计算得到的D(r)值与预设的检测阈值η进行比较，从而判断待检测的像素是否为目标。

3.根据权利要求2所述的一种基于无监督分割的高光谱图像小目标检测方法，其特征在于，所述S6包括以下子步骤：S61、将S3中像素个数超过设定的阈值N的连通域内的所有像素点以及S5中小目标感兴趣区域内对应D(r)≤η的像素输出为背景；

S62、将S5中小目标感兴趣区域内对应D(r)>η的像素输出为目标，即待检测高光谱目标图像中所要检测的目标。