1.一种深度学习优化的变密度声波方程全波形反演方法，其特征在于，具体步骤为：A、先确定所需反演的区域，然后采用观测系统获取观测数据；

B、构建正传波场方程，所述正传波场方程为二维一阶变密度声波方程；

C、构建卷积目标函数，所述卷积目标函数具有良好鲁棒性；

D、根据步骤B的正传波场方程和步骤C的卷积目标函数，基于伴随理论确定步骤C的卷积目标函数的反传波场方程；

E、利用步骤B的正传波场和步骤D的反传波场构建卷积目标函数中模型参数的梯度，所述梯度由速度的梯度和密度的梯度组成；

F、将步骤E中模型参数的梯度设置为可训练的变量，然后将可训练的变量输入深度框架内，并进入步骤G进行反演；

G、采用深度学习优化方法对步骤F获得的深度框架进行模型参数优化，并将步骤E中计算的梯度输入深度框架中，通过训练深度框架的方式实现全波形反演，最终获得反演后的速度反演结果和密度反演结果。

2.根据权利要求1所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤B中二维一阶变密度声波方程具体为：T

其中，ψ＝[σ,v] 是正传波场变量，σ是正传波场对应的质点震动应力，v＝[vx,vz]表示质点沿着x和z两个方向的振动速度，s是源项， 表示对时间t求偏导数，T表示矩阵的转置，链接矩阵 ρ表示介质的密度，α表示介质的速度， 和 表示对x和z求偏导数。

3.根据权利要求2所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤C中卷积目标函数具体为：其中，d是观测数据，u是合成波场数据，Ωr和Ωref分别表示检波点位置和参考道的位T置，空间坐标Ω＝[x,z]，模型参数m＝[α,ρ]。

4.根据权利要求3所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤D中反传波场方程具体为：其中反传波场 其中 是反传波场对应的质点震动应力， 和 表示质点沿着x和z两个方向的振动速度， 是反传源

项，*表示卷积运算， 表示互相关运算。

5.根据权利要求4所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤E中模型参数的梯度具体为：其中 是速度的梯度， 是密度的梯度。

6.根据权利要求5所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤F中模型参数的梯度设置为可训练的变量具体为：将模型参数的梯度通过公式设置为可训练的变量，并指定初始速度和密度值及梯度，具体公式为：其中，αini和ρini分别表示初始的速度和密度，接着将可训练的变量输入至深度卷积神经网络模型。

7.根据权利要求5所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，采用如下方法替换步骤F：基于步骤E中模型参数的梯度建立深度卷积神经网络模型，所述深度卷积神经网络模型包括速度模型参数和密度模型参数，并进入步骤G进行反演；

其中深度卷积神经网络模型具体为：

其中，模型参数γ＝α或ρ， 用以表示模型参数γ的深度卷积神经网络模型，θ表示网络参数，L表示神经网络的总层数，Wl和bl表示卷积层或者全连接层的权重和偏置，λ表示网络输入的随机特征向量。

8.根据权利要求7所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤G中反演的具体过程为：首先将观测数据作为随机特征向量λ，使用深度卷积神经网络模型表征模型参数γ，传入外部的模型参数梯度 通过深度学习优化方法进行优化迭代，修改深度卷积神经网络模型参数θγ，进而表示出更新的模型参数γ，并通过高性能计算获取模型参数的梯度 再次优化修正深度卷积网络模型参数θγ，直至迭代次数达到设置次数或目标函数值满足精度要求，输出深度卷积网络模型的表征结果，即为最终反演的模型参数γ。

9.根据权利要求1所述深度学习优化的变密度声波方程全波形反演方法，其特征在于，所述步骤G中深度学习优化方法为RMSprop、Adagrad、ASGD和Adam的其中一种。