1.基于二阶段深度学习模型的时间序列信号搜寻方法，其特征在于，所述时间序列信号搜寻方法将时间序列信号的搜寻过程分成两个阶段，第一阶段对时间序列信号数据的分块图像进行分类，将分类结果再按照分块图像相对位置重构生成二值矩阵后，进行第二阶段分类得到最终的搜寻结果，两个阶段分别采用第一深度学习模型和第二深度学习模型；

所述第一深度学习模型采用DenseNet或Inception‑Resnetv2或ResNet‑Conv17；

所述第二深度学习模型，包括依次连接的Flatten、Linear1、Linear2、Linear3层以及Attention层；

所述时间序列信号搜寻方法包括以下步骤：

步骤1：将待搜寻的时间序列数据转换为图像文件，并按时间轴进行切分，分成帧图像；

步骤2：对步骤1得到的帧图像分块处理，得到分块图像；

步骤3：将步骤2得到的分块图像输入第一深度学习模型进行第一阶段的预测，即利用第一深度学习模型对分块图像中按照是否含有目标信号进行分类；

步骤4：对第一阶段的分块图像的预测结果重构，将步骤3的分块图像的预测结果按照分块图像在原帧图像中的位置生成二值矩阵，若分块图像的预测结果是有目标信号，则二值矩阵对应位置的值为1，否则为0；

步骤5：将步骤4的二值矩阵输入第二深度学习模型进行第二阶段的预测，即利用第二深度学习模型根据二值矩阵预测判断其对应的帧图像中是否有目标信号。

2.根据权利要求1所述的时间序列信号搜寻方法，其特征在于，步骤1将时间序列数据的图像文件切分成帧图像的切分规则包括：

1）所有帧图像具有相同的宽度和高度，即帧图像的大小相同；

2）标记为包含目标信号的帧图像应当至少包含部分目标信号，以便于训练深度学习模型，用于信号的有效识别。

3.根据权利要求2所述的时间序列信号搜寻方法，其特征在于，步骤2中，分块图像的大小为128*128或256*256或512*512。

4.根据权利要求3所述的时间序列信号搜寻方法，其特征在于，Flatten层的输出为M×X1矩阵，Linear1层的输出为M × X2矩阵，Linear2层的输出为M× X3矩阵，Linear3层的输出为M× X4矩阵，Attention层的输出为M× X4矩阵，其中X1=（n+2）*（n+2），X2=n*n，X3=（n/

2）*（n/2），M表示Flatten、Linear1、Linear2、Linear3以及Attention层输出矩阵的行，X1、X2、X3、X4分别表示Flatten、Linear1、Linear2、Linear3层以及Attention层输出矩阵的列，n为第一阶段产生的二值矩阵的阶数。

5.根据权利要求4所述的时间序列信号搜寻方法，其特征在于，X4=2。

6.根据权利要求5所述的时间序列信号搜寻方法，其特征在于，第一深度学习模型的训练过程，包括：

1）生成训练样本数据集，训练样本数据集包含样本图像，样本图像的大小与步骤2的分块图像的大小一致，训练样本数据采用真实观测数据或模拟数据；

2）对训练样本数据集进行标注，对每个样本图像加上类别标签，通过类别标签表明该样本图像是正样本或负样本，正样本为包含信号的样本图像，负样本为不含信号的样本；类别标签采用人工方式标注或计算机程序自动标注，若训练样本数据为模拟数据，则类别标签通过计算机程序按照模拟数据的生成规则自动标注；

3）数据集的样本图像数量为500‑10000，并保证正、负样本的平衡性。

7.根据权利要求6所述的时间序列信号搜寻方法，其特征在于，第二深度学习模型的训练过程，包括：

1）生成训练样本数据集，第二深度学习模型的训练样本数据集采用计算机程序自动生成，对每帧图像生成二值矩阵，若原帧图像是正样本，则对应的二值矩阵为正样本，否则为负样本；

2）将每帧图像分块，其中有目标信号的分块图像对应的二值矩阵的值为1，无目标信号的二值矩阵的值为0，若帧图像是模拟数据，则采用计算机程序自动根据帧图像是否有目标信号以及信号的位置，设置二值矩阵的每个值。