1.一种基于深度学习的偏振增强型气体识别探测方法，其特征在于，包括：

S1、获取超连续谱激光信号，并通过准直分光耦合出两路信号，其中一路为原始信号，作为标准的光源光谱对照信号；另一路为光谱信号；

S2、对光谱信号进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号；

S3、对光谱信号进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号；

S4、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别；具体内容为：S401、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号进行扫描，获得相应的气体光谱指纹信号；具体内容为：利用锗基二维光谱探测器测量不同波长激光器下的偏振角和光电流之间的关系，具体表达式为：

其中，δ表示偏振角，表示y轴与0°之间的固定夹角，IPH(δ)表示沿δ方向的光电流，IPx和IPy分别表示沿x轴和y轴的最小光电流；

利用波段响应IPH(δ)最大的偏振角度对已知气体的吸收特征光谱信号进行预处理，初步扫描900‑1700nm的光谱形成偏振预处理的光谱信号；

锗基二维光谱探测器利用栅压VG调控二维锗基化合物异质结载流子的输运模式，改变载流子在二维异质结能带中复合的位置，使用栅压对偏振预处理的光谱信号再次进行扫描，综合多个吸收峰数据，计算多个吸收峰拟合，获得气体光谱指纹信号；

S402、利用模数转换芯片和偏振增强的气体光谱指纹信号的智能识别终端对气体光谱指纹信号进行量化，并将设定种类的已知气体的光谱指纹信号录入到数据库；

S403、根据步骤S401中的气体光谱指纹信号绘制对应的图谱，记为第一图谱，形成气体吸收图谱数据集；超连续谱激光信号深度学习模块利用该数据集对光谱信号图谱进行训练；

S404、对步骤S3中的待测气体的吸收特征光谱信号进行量化，绘制对应的图谱，记为第二图谱，形成被待测气体吸收后的图谱测试集；

S405、利用偏振增强的气体光谱指纹信号的智能识别终端中的OpenCV识别系统，根据超连续谱激光信号深度学习模块生成的神经网络权重，将步骤S403中的图谱数据集与步骤S404中的图谱测试集进行比对，识别分析气体成分和浓度；具体内容为：扫描电栅将气体光谱指纹信号不同中心波段下的光谱谐波信号图形化，其中横坐标为波数，纵坐标为气体流量；超连续谱激光信号深度学习模块利用神经网络生成神经网络权重并训练光谱信号图谱，利用后端识别系统生成图谱库，并导入OpenCV识别系统；扫描电栅采集被测气体不同中心波段的光谱信号的谐波图谱，利用OpenCV识别系统运行步骤S404中的图谱测试集，比对步骤S403中的图谱数据集中的特征吸收谱线，计算出的相似度达到

95％以上即为气体分子，表明识别成功，并进一步通过该气体吸收谱的强度预测出气体的浓度。

2.根据权利要求1所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，步骤S402中，量化包括以下内容：模数转换芯片将气体光谱指纹信号转换为数字信号，用VISA串口工具把数字信号传给偏振增强的气体光谱指纹信号的智能识别终端。

3.根据权利要求1所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，超连续谱激光信号深度学习模块中，能使用深度神经网络或者卷积神经网络进行深度学习。

4.应用于权利要求1所述的基于深度学习的偏振增强型气体识别探测方法的装置，其特征在于，包括：

超连续谱激光器(1)、准直分光模块(2)、长光程气室(3)、电控偏振片(4)、锗基二维光谱探测器(5)、超连续谱激光信号深度学习模块(6)、偏振增强的气体光谱指纹信号的智能识别终端(7)；

超连续谱激光器(1)发射出超连续谱激光信号，将该信号输入到准直分光模块(2)中，耦合出两路信号，一路为原始信号，另一路为光谱信号；原始信号作为标准的光源光谱对照信号；

将光谱信号输入到长光程气室(3)中进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号；将光谱信号输入到长光程气室(3)中进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号；

利用电控偏振片(4)和锗基二维光谱探测器(5)对不同成分的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端(7)绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块(6)对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端(7)绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别。