1.一种基于机器学习理论的GNSS欺骗干扰检测方法，其特征在于，具体包括如下步骤：S1，获取存在多径干扰和存在欺骗干扰的相关峰数据；

S2，根据多径干扰与欺骗干扰产生不同形状的相关峰，设定时间窗长度，并提取相关峰区域作为网络输入；

S3，建立基于卷积神经网络和聚类算法的神经网络模型，应用机器学习方法对数据进行多径干扰和欺骗干扰的识别和分类；

S4，使用多径干扰和欺骗干扰相关峰数据对由步骤S3得到的神经网络模型进行训练，并提取特征，对多径干扰和欺骗干扰数据进行识别和分类。

2.根据权利要求1所述的一种基于机器学习理论的GNSS欺骗干扰检测方法，其特征在于，步骤S3中具体包括如下步骤：S3.1，导入数据集，对由步骤S2得到的多径干扰和欺骗干扰的相关峰数据，划分训练集和测试集；

S3.2，对训练集和测试集的输入数据进行归一化处理；

S3.3，将训练集和测试集的输入数据从4维转换为2维；

S3.4，构造基于卷积神经网络和聚类算法的神经网络模型，包括：输入层、卷积层、批归一化层、ReLU激活层、最大池化层、全连接层、归一化层和分类层；

S3.5，设置训练网络时的参数。

3.根据权利要求1所述的一种基于机器学习理论的GNSS欺骗干扰检测方法，其特征在于，步骤S4中具体包括如下步骤：S4.1，利用输入层、卷积层、批归一化层、ReLU激活层和最大池化层，提取输入的多径干扰和欺骗干扰信号相关峰的特征，并利用自适应运动估计算法优化神经网络模型；

S4.2，经归一化层，对提取出的特征进行归一化处理；

S4.3，在分类层加入DBSCAN算法进行聚类分类；

S4.4，训练完成后，对测试集进行预测，将预测结果反归一化，评价模型的性能。

4.根据权利要求1所述的一种基于机器学习理论的GNSS欺骗干扰检测方法，其特征在于，步骤S4.1具体包括如下步骤：S4.1.1，在输入层输入数据；

S4.1.2，卷积层的输入公式为：

V＝conv2(W,X,"valid")+b          (1)其中，conv 2(·)是卷积运算的函数，W为卷积核矩阵，X为输入矩阵，b为偏置，valid为卷积运算的类型；

卷积层输出公式为：

其中，Y为输出矩阵， 为激活函数；

卷积后产生的特征大小计算公式为

其中，w为输入矩阵大小，k为卷积核大小，s为步幅，p为补零层数；

S4.1.3，经批归一化层对特征进行标准化处理；

S4.1.4，经ReLU激活层对卷积层输出进行非线性处理，引入非线性因素；

S4.1.5，经最大池化层对特征进行下采样；

S4.1.6，将特征按行展开连接成向量，传入全连接层。