1.一种采用高光谱分析的水质检测方法，其特征在于，包括：收集水体的光谱数据，对水体的光谱数据进行基线校正处理；

对校正后的水体的光谱数据进行特征提取，得到特征向量；

基于特征向量，构建多模态联合反演模型，计算水质参数估计值，根据水质参数估计值，计算基准参考光谱数据；

采集实时光谱数据，根据实时光谱数据与基准参考光谱数据的差异度，判断水质状态；

所述对水体的光谱数据进行基线校正处理，包括：定义水体的光谱数据 ，其中表示不同的波段；

对于第 个波段光谱数据，基线校正公式表示为：；

其中， 是最终校正后的基线光谱数据， 是水体的光谱数据，是对原始光谱数据应用 平滑处理的结果， 是对原始光谱数据做一阶导数，是利用最小二乘回归对上述处理过的数据进行基线校正估计；

所述对校正后的水体的光谱数据进行特征提取，包括多分辨率分析与特征提取、多尺度特征融合与冗余去除和特征降维与归一化，得到特征向量，具体如下：利用离散小波变换提取不同层次和频率的特征，具体表达式为：；

其中， 是第 层小波分解后得到的第 个子带系数， 是最终校正后的基线光谱数据， 是小波母函数在第 层的低通滤波器系数， 是光谱数据的波段数；

采用稀疏表示融合不同层次的特征，并通过正则化去除冗余，具体表达式为：；

其中， 是所有子带系数构成的向量， 是某种预定义的过完备字典矩阵， 是稀疏表示向量， 是正则化参数；

应用局部保持投影进行非线性降维，并进行归一化，具体表达式为：；

其中，  是最终的特征向量， 是融合特征向量， 是通过LPP计算得到的特征向量和对应的特征值分解， 是 范数归一化；

所述构建多模态联合反演模型，计算水质参数估计值，包括定义模态向量和模态特征向量融合，计算水质参数估计值，具体如下：基于特征向量，定义多模态光谱数据的模态向量为 ，其中 为模态数量，将各模态特征向量进行融合，形成联合特征向量，具体表达式为：；

其中， 是联合特征向量， 为第 个模态的特征向量， 为第 个模态的特征向量， 是第 个模态的核函数， 是第 个模态的核函数， 表示张量积，是通过优化得到的权值矩阵元素；

水质参数估计值的表达式为：

；

其中， 是水质参数估计值， 是水质参数， 是深度学习模型的最后一层权重矩阵，是深度学习模型的隐层表示，依赖于水质参数 ， 是联合特征向量， 是 正则化参数， 是贝叶斯正则化的惩罚参数， 是基于贝叶斯优化选择的正则化项；

所述根据水质参数估计值，计算基准参考光谱数据，水质参数估计值 包含浊度和氨氮浓度，将浊度和氨氮浓度作为输入值，计算基准参考光谱数据，表示为：；

其中， 是基准参考光谱数据， 是光源的初始强度， 是与波长 相关的浊度吸收系数， 是浊度， 是氨氮浓度 对光谱产生的修正因子， 是氨氮浓度；

所述采集实时光谱数据，根据实时光谱数据与基准参考光谱数据的差异度，判断水质状态的具体方式为：定义实时光谱数据为 ，结合基准参考光谱数据 ，设定安全限值为 ，计算差异度，表示为：

；

其中， 表示实时光谱数据与基准参考光谱数据的整体差异度， 是测量光谱数据的波长范围的最大值， 是测量光谱数据的波长范围的最小值， 表示波长 的一个无限小的增量；

当 时，水质状况判定为“优质”，表示实时光谱数据与基准参考光谱数据较为接近，水质稳定且优良；

当 时，水质状况判定为“良好”，表明水质虽有轻微波动但仍处于可控范围内；

当 时，水质状况判定为“中等”，意味着水质已经开始偏离理想状态；

当 时，水质状况判定为“极差”，反映出水质已严重退化。

2.如权利要求1所述的采用高光谱分析的水质检测方法，其特征在于：所述水体的光谱数据包括可见光光谱数据、近红外线光谱数据、红外线光谱数据和紫外线光谱数据。

3.一种采用高光谱分析的水质检测系统，基于权利要求2所述的采用高光谱分析的水质检测方法，其特征在于：包括数据收集模块、特征提取模块、基准参考模块和水质状态判断模块；

所述数据收集模块用于收集水体的光谱数据，对水体的光谱数据进行基线校正处理；

所述特征提取模块用于对校正后的水体的光谱数据进行特征提取，得到特征向量；

所述基准参考模块用于基于特征向量，构建多模态联合反演模型，计算水质参数估计值，根据水质参数估计值，计算基准参考光谱数据；

所述水质状态判断模块用于采集实时光谱数据，根据实时光谱数据与基准参考光谱数据的差异度，判断水质状态。