1.一种多时间序列深度神经网络放射源三维定位系统，包括环状的编码准直器，所述编码准直器竖直设置，其特征在于：还包括S个探测单元、一信号分析处理单元、投影数据输出单元、投影数据拼接单元、训练样本生成单元和一放射源定位模型；

所述探测单元位于编码准直器内，且探测时编码准直器沿其中心轴水平旋转至少一周，探测单元固定，用于对透过编码准直器的射线进行探测并输出电信号；

所述信号分析处理单元用于从电信号中提取射线与探测单元相互作用的位置和时间信息；

所述投影数据输出单元用于不断获取信号分析处理单元的输出并将其转换为射线计数随时间变化的投影数据，一次探测过程中，每个探测单元对应一投影数据；

所述投影数据拼接单元用于将同一次探测过程中，S个探测单元对应的投影数据拼接成拼接样本；

训练样本生成单元将拼接样本对应的放射源的二维辐射图像及放射源到编码准直器中心的距离作为标签，并将带标签的拼接样本作为训练样本；

所述放射源定位模型由一深度神经网络以拼接样本为输入、该拼接样本对应的标签为期望输出训练得到，并在定位时，输入待测的拼接样本，输出预测的二维辐射图像和放射源到编码准直器中心的距离。

2.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统，其特征在于：所述探测单元采用非像素化的连续晶体或像素化的线阵探测器；

所述连续晶体或线阵探测器均采用闪烁探测器或半导体探测器，若为闪烁探测器，则出光面与光电转换器耦合，若为半导体探测器，则不与光电转换器耦合。

3.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统，其特征在于：所述编码准直器的编码方式包括随机阵列、Singer阵列、均匀冗余阵列、和/或修正均匀冗余阵列。

4.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统，其特征在于：所述深度神经网络，为全连接神经网络、卷积神经网络、残差网络、循环神经网络、长短时记忆网络、和/或Transformer网络。

5.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统的定位方法，其特征在于：包括以下步骤；

（1）构建一多时间序列深度神经网络放射源三维定位系统，编码准直器的编码数为R×C，每个探测单元包含N×1个像素，N≥1，R、C分别为编码数的行和列；

（2）生成一训练样本，包括步骤（21）‑（25）；

（21）将多时间序列深度神经网络放射源三维定位系统置于探测区域，该探测区域内放射源的二维辐射图像及放射源到编码准直器中心的距离已知；

（22）编码准直器旋转至少一周，从旋转开始到结束分为M个时段，分别为t1到tM；

（23）获取t1时段，每个探测单元的单时段投影数据；

每个探测单元分别对透过编码准直器的射线进行探测并输出电信号，对每个探测单元的电信号，信号分析处理单元从中提取射线与探测单元相互作用的位置和时间信息，形成S个t1时段的单时段投影数据，每个单时段投影数据大小为N×1；

（24）依次获取t2到tM时刻，每个探测单元对应的单时段投影数据，并将同一探测单元的M个单时段投影数据，拼接成N×M的投影数据；

（25）将同一次探测过程中，S个投影数据拼接成拼接样本，并将对应放射源的二维辐射图像及放射源到编码准直器中心的距离作为标签，得到训练样本；

（3）按步骤（2）的方法生成大量训练样本；

（4）将训练样本送入深度神经网络，以该拼接样本的标签为期望输出训练得到放射源定位模型；

（5）将多时间序列深度神经网络放射源三维定位系统置于待探测区域，按步骤（21）‑（24）得到待测的拼接样本，送入放射源定位模型中，输出预测的二维辐射图像和放射源到编码准直器中心的距离。

6.根据权利要求5所述的多时间序列深度神经网络放射源三维定位系统的定位方法，其特征在于：所述步骤（2）中，训练样本通过实测和/或蒙特卡罗模拟获得，且每个训练样本对应不同能量、位置、活度、形状和数量的放射源，以及不同水平、分布的噪声条件。

7.根据权利要求5所述的多时间序列深度神经网络放射源三维定位系统的定位方法，其特征在于：步骤（4）将训练样本送入深度神经网络前，还对其进行预处理，所述预处理包括归一化、标准化、填充、降维和/或主成分分析。