1.一种地磁信号噪声压制方法，其特征在于，包括：

获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；

获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；

根据所述至少一个地磁数据样本对对预设的改进U‑Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U‑net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U‑Net的地磁数据去噪网络进行训练包括：将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U‑net网络，所述U‑net网络输出预测去噪地磁数据段；

根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U‑net网络的网络参数进行调整，得到地磁数据去噪模型；

获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；

将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。

2.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述DnCNN去噪卷积神经网络包括由一个卷积层和一个ReLU激活函数构成的第一层网络结构；由一个卷积层、一个批量归一化层和一个ReLU激活函数组成的CBR模块以及由一个卷积层和一个线性连接层构成的输出层。

3.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述多特征提取模块包括至少一个卷积层以及与所述至少一个并行连接的池化层，所述至少一个卷积层的卷积路径包括用于提取局部时空特征的1×3卷积路径、用于提取中等范围的时空特征的1×5卷积路径以及用于提取更宽范围的时空特征的1×7卷积路径；

所述池化层的池化路径包括用于融合局部范围的时空特征的1×3最大值池化路径。

4.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述U‑net网络包括输入层、隐藏层和输出层；

所述输入层将加噪地磁数据段与经过多特征提取模块的输出结果进行横向合并，所述输入层的数据大小为通道数乘以输入样本尺寸，即5×1440×1；

所述隐藏层包括卷积层、平均池化层、反卷积层、跳跃连接层；

所述卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层；

所述第一卷积层、所述第二卷积层、所述第十三卷积层、所述第十四卷积层均是64个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为64×1440×1；所述第三卷积层、所述第四卷积层均是128个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为128×

720×1；所述第五卷积层、所述第六卷积层、所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层、所述第十一卷积层、所述第十二卷积层均是256个尺寸为3×1的卷积核和Relu激活函数，输出的数据大小为256×360×1；所述第十五卷积层是1个尺寸为1×

1的卷积核，输出的数据大小为1×1440×1；

所述平均池化层包括第一平均池化层和第二平均池化层；

所述第一平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛选，输出的数据大小为64×720×1；所述第二平均池化层是一个卷积核为2×1、步长为2、填充为0的平均值筛选，输出的数据大小为128×360×1；

所述反卷积层包括第一反卷积层和第二反卷积层；

所述第一反卷积层是256个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为256×720×1；

所述第二反卷积层是128个尺寸为2×1的卷积核、步长为2的一对多的映射关系，输出的数据大小为128×1440×1；

所述跳跃连接层包括第一跳跃连接层和第二跳跃连接层；

所述第一跳跃连接层将所述第五卷积层、所述第六卷积层、所述第七卷积层、所述第八卷积层、所述第九卷积层、所述第十卷积层、所述第十一卷积层、所述第十二卷积层的输出和所述第一反卷积层的输出进行横向拼接，输出的数据大小为384×720×1；

所述第二跳跃连接层将所述第三卷积层、所述第四卷积层的输出和所述第二反卷积层的输出进行横向拼接，输出的数据大小为192×1440×1；

所述输出层由1个尺寸为1×1的卷积核改变通道数，输出的数据大小为1×1440×1。

5.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型包括：获取某一地磁数据，将所述某一地磁数据按照相同长度进行分段，将每一个数据段作为一个样本以及标记样本的分类标签，得到噪声数据段和/或去噪数据段；

构建ResNet深度残差地磁数据分类网络，并将噪声数据段和/或去噪数据段输入至所述ResNet深度残差地磁数据分类网络中进行训练，得到地磁数据分类模型。

6.根据权利要求1所述的一种地磁信号噪声压制方法，其特征在于，所述ResNet深度残差网络包括输入层、隐藏层以及输出层；

所述输入层的数据大小为通道数乘以样本尺寸，即1×1440×1；

所述隐藏层包括卷积层、BN层、最大池化层、恒等残差块以及卷积残差块，所述恒等残差块中包含两个一维卷积模块和一个恒等模块连接，所述恒等残差块的输入和输出具备相同的通道数，所述卷积残差块中包含两个一维卷积模块和一个一维逐点卷积模块，所述卷积残差块通过卷积核尺寸为1的卷积改变通道数，使所述卷积残差块的输入和输出具备相同的通道数；

所述卷积层包括第一卷积层和第二卷积层，所述第一卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出第一卷积层的结果；所述第二卷积层的计算步骤为：使用64个尺寸为4×1的卷积核对训练样本进行一维卷积，并使用Relu激活函数激活，输出第二卷积层的结果；

所述BN层的计算步骤为：使用批归一化方法处理第一卷积层的结果；

所述最大池化层包括第一最大池化层、第二最大池化层、第三最大池化层和第四最大池化层，所述第一最大池化层的计算步骤为：使用尺寸为2×1、步长为1的最大值筛选；所述第二最大池化层、所述第三最大池化层、所述第四最大池化层的计算步骤均为：使用尺寸为

3×1、步长为1的最大值筛选；

所述恒等残差块包括第一恒等残差块、第二恒等残差块、第三恒等残差块、第四恒等残差块和第五恒等残差块；

所述卷积残差块包括第一卷积残差块、第二卷积残差块和第三卷积残差块；

所述第一恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一最大池化层的结果进行一维卷积，并使用Relu激活函数激活，再次使用64个尺寸为3×1的卷积核对第一恒等残差块第一次卷积的激活值进行一维卷积，将第一最大池化层的输出和第一恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一恒等残差块的结果；

所述第二恒等残差块的计算步骤为：使用64个尺寸为3×1的卷积核对第一恒等残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用64个尺寸为3×1的卷积核对第二恒等残差块第一次卷积的激活值进行一维卷积，将第一恒等残差块的输出和第二恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二恒等残差块的结果；

所述第三恒等残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第一卷积残差块的结果进行一维卷积，并使用Relu激活函数激活，再使用128个尺寸为3×1的卷积核对第三恒等残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块的输出和第三恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第三恒等残差块的结果；

所述第四恒等残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第二卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；第二，再使用256个尺寸为3×1的卷积核对第四恒等残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块的输出和第四恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第四恒等残差块的结果；

所述第五恒等残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第三卷积残差块的结果进行一维卷积，并使用Relu激活函数激活；再使用512个尺寸为3×1的卷积核对第五恒等残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块的输出和第五恒等残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第五恒等残差块的结果；

所述第一卷积残差块的计算步骤为：使用128个尺寸为3×1的卷积核对第二最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用128个尺寸为3×1的卷积核对第一卷积残差块第一次卷积的激活值进行一维卷积，将第一卷积残差块逐点卷积的结果和第一卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第一卷积残差块的结果；

所述第二卷积残差块的计算步骤为：使用256个尺寸为3×1的卷积核对第三最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用256个尺寸为3×1的卷积核对第二卷积残差块第一次卷积的激活值进行一维卷积，将第二卷积残差块逐点卷积的结果和第二卷积残差块第二次未激活的一维卷积进行求和，并使用Relu激活函数激活，输出第二卷积残差块的结果；

所述第三卷积残差块的计算步骤为：使用512个尺寸为3×1的卷积核对第四最大池化层的结果分别进行步长为2的一维卷积和一维逐点卷积，一维卷积使用Relu激活函数激活，逐点卷积不激活，再使用512个尺寸为3×1的卷积核对第三卷积残差块第一次卷积的激活值进行一维卷积，将第三卷积残差块逐点卷积的结果和第三卷积残差块第二次未激活的一维进行求和，并使用Relu激活函数激活，输出第三卷积残差块的结果。

7.一种地磁信号噪声压制系统，其特征在于，包括：

第一获取模块，配置为获取至少一个地磁数据及与至少一个地磁数据对应的分类标签，并根据至少一个地磁数据及与至少一个地磁数据对应的分类标签对预设的ResNet深度残差地磁数据分类网络进行训练，得到地磁数据分类模型；

第二获取模块，配置为获取至少一个地磁数据样本对，所述至少一个地磁数据样本对包括至少一个无噪地磁数据段以及与所述至少一个无噪地磁数据段对应的加噪地磁数据段；

训练处理模块，配置为根据所述至少一个地磁数据样本对对预设的改进U‑Net的地磁数据去噪网络进行训练，得到地磁数据去噪模型，所述地磁数据去噪网络包括DnCNN去噪卷积神经网络、多特征提取模块以及U‑net网络，其中，所述根据所述至少一个地磁数据样本对对预设的改进U‑Net的地磁数据去噪网络进行训练包括：将数据大小为1×1440×1的某一加噪地磁数据段经过DnCNN去噪卷积神经网络处理，并将处理得到数据大小为1×1440×1的去噪地磁数据输入至多特征提取模块，得到数据大小为4×1440×1的第一输出结果，再将输出结果与所述某一加噪地磁数据段横向拼接，得到拼接后数据大小为5×1440×1的第二输出结果输入至U‑net网络，所述U‑net网络输出预测去噪地磁数据段；

根据所述预测去噪地磁数据段与所述某一加噪地磁数据段对应的某一无噪地磁数据段分别对所述DnCNN去噪卷积神经网络、所述U‑net网络的网络参数进行调整，得到地磁数据去噪模型；

分类模块，配置为获取待去噪地磁数据，并输入至地磁数据分类模型对待去噪地磁数据进行分类，得到至少一个含噪地磁数据段和至少一个高质量地磁数据段；

拼接模块，配置为将至少一个含噪地磁数据段输入至地磁数据去噪模型中，得到至少一个去噪地磁数据段，并将至少一个去噪地磁数据段和至少一个高质量地磁数据段按照时间顺序进行拼接，得到完整的去噪地磁信号。

8.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6任一项所述的方法。