1.一种基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：包括以下步骤S1、构建密集嵌套特征提取模型：密集嵌套特征提取模型包括密集嵌套模块、特征金字塔融合模块以及线性光谱混合模型，密集嵌套模块对数层U型网络进行堆叠，利用密集嵌套特征提取模型获取到的五个初步有效特征层进行上采样，对获取到的特征进行反卷积并对每一层的特征图像进行放大，并且进行特征融合，获得一个最终的融合了所有特征的有效特征层，再加入不同的跳跃连接；

通过获取U型网络的第i层来形成密集嵌套特征提取模型，假设Kij表示节点  的输出，其中i是沿编码器的第i个下采样层，j是沿平原跳跃路径的密集块的第j个卷积层，由Kij表示的特征映射堆栈公式如下所示：其中， 表示同一卷积块的多个级联卷积层， 表示最大池化，Qij表示密集嵌套层数；Li‑1,j‑1表示i行j列层的邻层特征信息；当j>0时，每个节点接收来自密集纯跳跃连接和嵌套双向交互跳跃连接三个方向的输出；

S2、构建级联模型，计算通道空间注意模块特征映射，通道空间注意模块包括两个级联注意单元，两个级联注意单元分别为通道注意力和空间注意力；

S3、对特征图进行通道维度的连接，重建图像的质量和细节：以通道注意矩阵为样本，通过将两个特征图在通道维度上连接，将高分辨率特征图和低分辨率特征图进行拼接；对拼接后的特征图进行卷积操作；

S4、计算全局鲁棒特征图，获取深层特征信息：在密集嵌套模块之后，通过特征金字塔融合模块来聚合所得到的多层特征，将多层特征 扩展到相同大小，其中Ci，H0，W0分别表示 的通道数、高度以及宽度；

然后，将具有空间和轮廓信息的浅层特征与具有语义信息的深层特征进行拼接，生成全局鲁棒特征图；

S5、计算属于同一类像素的每一个目标的质心和目标矩阵E，根据自注意力聚合邻域信息 相邻节点的特征和自身的特征来计算一个权重，然后用这个权重来加权平均邻居节点的特征；

S6、根据红外图像X和重建图像Xr之间的误差来提取目标，得到目标检测图像。

2.根据权利要求1所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S2中，对通道空间注意模块计算特征映射，Kij从节点 由一维通道注意图 和二维空间注意图 进行顺序处理，其中Ci表示Kij的通道数，表示空间维度；

将r个特征映射组作为一个组进行全局平均池化，得到每个组的特征向量D，获得每个组的整体特征表示，并且利用不同的特征映射组的信息进行整合。

3.根据权利要求1所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S2包括以下分步骤S2.1、利用鲁棒最小单形体体积方法对线性光谱混合模型进行解混，以获得端元矩阵Z；利用不同映射之间的对称比函数计算复合层之间的联通值，以获得空间注意力信息矩阵V；

S2.2、通过对空间注意力信息矩阵V的激活函数Sigmoid提取得到信息矩阵A，建立线性多层感知混合模型的初始目标函数，如下式所示：其中，A为信息矩阵，Z为端元矩阵；

S2.3、在线性多层感知混合模型的初始目标函数中引入特征因子 和空间加权因子，构建通道注意力机制过程模型，如下式所示：其中， 为元素级加法，为S型函数，为1×1卷积的线性变换；在元素级加法运算之前， 空间映射被拉伸到 的大小。

4.根据权利要求3所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S2.3中，空间加权因子 的计算包括以下步骤*

S2.3.1、将红外图像X分割成具有多分辨率图像X ，然后根据相邻像素之间的相似性进*行多分辨率图像X稀疏，求得权重引导丰度矩阵H；

S2.3.2利用权重引导丰度矩阵H计算空间权重因子 ，计算过程如下式所示：其中，H(i,:)表示权重引导丰度矩阵H的第i行的元素， 表示矩阵的2范数， 为可调节参数， 表示 的第i行第j列的值。

5.根据权利要求4所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S2.3.1包括以下分步骤* L×B

S2.3.1.1、利用STN算法将红外图像X分割为g个超像素块，构建多分辨率图像X∈R ，*构建基于多分辨率图像X的目标函数，如下式所示：

其中， 和 是非线性函数，它们都输出具有相同维度的向量，表示元素乘积，用于融合两个分支的信息；

*

S2.3.1.2、采用基于变量分裂的交替方向乘子法对基于多分辨率图像X的目标函数进行迭代优化求解，求得权重引导丰度矩阵H。

6.根据权利要求3所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S2.3中，空间权重因子 的第i行第j列的第t+1次迭代结果 如下式所示：其中，t表示当前迭代的次数，表示为可调节参数值，N(h)表示矩阵H中的第i行第j列元素hij的邻域集合，h∈{1,2,...,u}为相邻元素集的数量，u为邻域窗口大小，Hij表示矩阵H中第i行第j列的值hij的相邻元素集。

7.根据权利要求1所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S4中，通过下式计算全局鲁棒特征图G：其中， 为浅层特征信息。

8.根据权利要求1所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S5中，通过目标矩阵E，求得与红外图像X同维度大小的重建图像Xr，在特征金字塔融合模块之后，引入一个八连通邻域聚类模块，将属于同一目标的像素聚类在一起，并计算每个目标的质心；

假设特征图G中的任何两个像素(m0,n0)、(m1,n1)在它们的八个邻域中都有交叉区域，如下式所示：其中， 和 代表像素(m0,n0)和(m1,n1)、(m0,n0)和(m1,n1)的八个邻域被判定为相邻像素，如果这两个像素具有相同的值，该值为0或1，则认为这两个像素位于连通区域，即如下式所示；一个连接区域中的像素属于相同的目标，在确定了图像中的所有目标后，根据所有目标的坐标计算出质心，其中，g(m0,n0)和g(m1,n1)表示像素(m0,n0)和(m1,n1)的灰度值。

9.根据权利要求1所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S5中，自注意力聚合邻域信息 结果，即通过卷积内核使用加权和聚合邻域信息的过程，如下式所示：其中，W为聚合邻域，X为加权，a*=i+a‑[k/2]，b*=j+b‑[k/2]，k是内核大小，a，b表示当前层，a*，b*表示相邻层，c表示通道。

10.根据权利要求1所述的基于多层嵌套非全映射U型网络的红外小目标检测方法，其特征在于：所述步骤S6包括以下分步骤S6.1、通过下式计算红外图像X和重建图像Xr之间的误差：

S6.2、根据误差error(X)得到灰度图像，再选取分割阈值δ，灰度图像中大于δ的像素值标记为1，表示为目标；反之标记为0，表示背景，得到只有0和1的二值结果图，得到目标检测结果。