1.低信噪比弱小目标雷达回波信号识别装置，其特征在于：所述雷达回波信号识别装置包括数据分块模块（1）；所述数据分块模块（1）后端设置有多通道深度神经网络模块（2）；

所述多通道深度神经网络模块（2）后端设置有正向推理结果保存模块（3）；所述正向推理结果保存模块（3）后端设置有融合推理模块（4）；所述融合推理模块（4）后端设置有反馈训练接入模块（5）；所述反馈训练接入模块（5）后端连接在多通道深度神经网络模块（2）上；所述多通道深度神经网络模块（2）后端还设置有分类模型参数保存模块（6）。

2.如权利要求1所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述训练方法包括如下训练步骤：S1，对带有标签的输入数据输入到数据分块模块（1）中，得到分块的训练数据；

S2，将分块的训练数据并行输入到多通道深度神经网络模块（2）中，通过多通道深度神经网络模块（2）中的网络结构和网络参数的正向推理运算，得到正向推理运算结果；

S3，将每类输入数据的正向推理运算结果分批保存至正向推理结果保存模块（3）中，并将每批二维向量正向推理结果在每个维度上取平均值进行保存；

S4，将保存的每类分批正向推理结果平均值逐个输入到融合推理模块（4）中，将正向推理结果平均值与输入数据的标签结果进行融合推理，得到融合推理结果并进行保存；

S5，将融合推理结果逐个输入到反馈训练接入模块（5）中，将融合推理结果与正向推理结果的平均值做差，得到逐个的差值向量，将差值向量代入到反馈训练接入模块（5）中存储的多通道深度神经网络模型中，进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到多通道深度神经网络模型新的网络模型参数；

S6，将反馈训练接入模块（5）反向推理得到的多通道深度神经网络模型新的网络模型参数输入到多通道深度神经网络模块（2）中进行保存更新；

S7，迭代步骤S2至S6，直至100次，将最后训练好的多通道深度神经网络模型的网络模型参数，发送至分类模型参数保存模块（6）中进行保存。

3.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S1中带有标签的输入数据包括有经脉冲压缩后的雷达回波信号时域数据、经脉冲压缩后的雷达回波信号频域数据、雷达回波信号实部时域数据、雷达回波信号虚部时域数据、雷达回波信号频域数据。

4.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S1中数据分块模块（1）对数据进行归一化数据分块处理，其具体的处理方法包括：S1a，将各类型输入数据进行数据长度计算，由于输入数据均为离散化的向量数据，计算各种离散化向量数据的元素个数，保存元素个数最大的数；

S1b，对每一个类型的输入数据均按照保存的元素个数最大的数进行补齐，即如果某一种输入数据小于保存的最长的离散化向量数据的元素个数，则将相差的元素个数取0在该种输入数据前补齐，然后在取0的部分添加高斯白噪声，高斯白噪声的均值为0，标准差为信号的平均功率；通过以上步骤，即可得到长度相等的不同类型输入数据。

5.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S2中多通道深度神经网络模块（2）的正向推理运算具体模型设计为：对应每一个通道的数据分块模块（1）的数据进行并行输入，将并行输入的数据接入卷积神经网络卷积池化层三层、卷积神经网络隐藏层一层、卷积神经网络输出层一层，假设数据分块模块（1）计算保存的元素个数最大的数为N。

6.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S3中正向推理结果保存模块（3）对正向推理运算结果分批保存的具体步骤为：S3a，正向推理结果保存模块（3）将每个训练输入数据的标签结果进行保存；

S3b，从相同标签结果的训练输入数据中随机抽取10个数据，将每个训练输入数据代入到多通道深度神经网络模块（2）中，进行正向推理计算，将得到的10个训练输入数据的二维向量正向推理结果在每个维度上取平均值；

S3c，将平均值作为随机抽取的10个数据的正向推理结果进行保存，并保存与10个训练输入数据的对应关系。

7.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S4中融合推理模块（4）的具体运算方法为：S4a，将正向推理结果保存模块（3）保存的相同标签结果随机抽取的10个训练输入数据的正向推理结果的平均值输入到融合推理模块（4）中；

S4b，将正向推理结果平均值与保存的输入数据的标签结果进行基于DSmT框架中PCR5组合规则的融合推理，得到融合推理结果进行保存，并保存与分组的10个训练输入数据的对应关系。

8.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S5中反馈训练接入模块（5）存储的多通道深度神经网络模型的随机初始参数为：卷积神经网络卷积层一的16个不同卷积核的随机初始参数、卷积神经网络卷积层二的32个不同卷积核的随机初始参数、卷积神经网络卷积层三的16个不同卷积核的随机初始参数、卷积神经网络池化层三的各个结点与卷积神经网络隐藏层100个结点之间的随机初始全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层2个结点之间的随机初始全连接参数；

所述步骤S5中反馈训练接入模块（5）的具体运算方法为：

S5a, 将融合推理模块（4）保存的分组的10个训练输入数据的融合推理结果的平均值与正向推理结果保存模块（3）保存的同样的10个训练输入数据的正向推理结果的平均值做差，得到每个分组对应的逐个的差值向量；

S5b，将每个分组对应的逐个的差值向量代入到反馈训练接入模块（5）保存的多通道深度神经网络模型中进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，即按照卷积神经网络输出层到卷积神经网络隐藏层、卷积神经网络隐藏层到卷积神经网络池化层三、卷积神经网络池化层三到卷积神经网络卷积层三、卷积神经网络卷积层三到卷积神经网络池化层二、卷积神经网络池化层二到卷积神经网络卷积层二、卷积神经网络卷积层二到卷积神经网络池化层一、卷积神经网络池化层一到卷积神经网络卷积层一这样的顺序进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到新的多通道深度神经网络模型参数，并保存更新；

S5c，再随机选取10个输入训练数据，进行步骤S5a至S5b；

S5d，迭代步骤S5c直至100次，得到训练好的多通道深度神经网络模型的网络模型参数，发送至分类模型参数保存模块（6）中进行保存。

9.根据权利要求2所述的低信噪比弱小目标雷达回波信号识别装置的训练方法，其特征在于：所述步骤S7中分类模型参数保存模块（6）保存的训练好的多通道深度神经网络模型的网络模型参数包括：卷积神经网络卷积层一的16个不同卷积核的训练好的参数、卷积神经网络卷积层二的32个不同卷积核的训练好的参数、卷积神经网络卷积层三的16个不同卷积核的训练好的参数、卷积神经网络池化层三的各个结点与卷积神经网络隐藏层100个结点之间的训练好的全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层2个结点之间的训练好的全连接参数。

10.如权利要求1所述的低信噪比弱小目标雷达回波信号识别装置的识别方法，其特征在于：所述识别方法包括如下识别步骤：C1，首将雷达的回波信号进行脉冲压缩，得到经脉冲压缩后的雷达回波信号时域数据和频域数据；

C2，将未被脉冲压缩的雷达回波信号实部时域数据、虚部时域数据、频域数据这三维数据与C1中的两维数据一同代入数据分块模块（1）中，得到了长度为数据分块模块（1）计算保存的元素个数最大数N的五维待识别雷达输入数据；

C3，将长度为数据分块模块（1）计算保存的元素个数最大数N的五维待识别雷达输入数据由左向右依次代入到卷积神经网络卷积层一、卷积神经网络池化层一、卷积神经网络卷积层二、卷积神经网络池化层二、卷积神经网络卷积层三、卷积神经网络池化层三、卷积神经网络隐藏层、卷积神经网络输出层中，按照分类模型参数保存模块（6）保存的模型参数进行计算，得到卷积神经网络输出层的二维向量结果；

C4，将二维向量结果进行比较，如果代表目标信号的值大于代表非目标信号的值，则输出该信号为目标信号，如果代表非目标信号的值大于代表目标信号的值，则输出该信号为非目标信号，如果代表非目标信号的值等于代表目标信号的值，则输出该信号为不确定信号。