1.一种水下光通信接收信号检测方法，其特征在于，该方法包括：利用二次采样对受湍流扰动的接收信号进行预处理，得到小参数信号；

采用卡尔曼滤波算法对所述小参数信号进行求取受湍流扰动的接收信号的包络；

其中，所述采用卡尔曼滤波算法对所述小参数信号进行求取受湍流扰动的接收信号的包络，包括：对所述小参数信号进行提取湍流特征信号，包括：初始化变量R_c和变量S_m，并遍历所述小参数信号中的每个元素，如果当前元素大于S_m，则替换S_m；否则，使用（S_m*R_c）/（R_c+1）更新S_m；

根据信号均衡公式对所述受湍流扰动的接收信号的包络进行处理，得到处理后的信号；其中，所述信号均衡公式如下：处理后的信号=2×（小参数信号／受湍流扰动的接收信号的包络）（1）；

建立自适应随机共振系统模型，并将所述处理后的信号作为所述自适应随机共振系统模型的输入信号；

以系统输出信噪比作为目标函数，使用多策略融合粒子算法对所述随机共振系统模型中的系统参数进行寻优；

其中，所述建立自适应随机共振系统模型，包括：使用朗之万方程描述自适应随机共振系统模型，建立信号、噪声、非线性系统三者之间的关系，所述朗之万方程的表达式如下：（11）；

式中，a、b表示自适应随机共振系统模型的系统参数， 表示自适应随机共振系统模型的系统输出信号， 表示自适应随机共振系统模型的系统输入信号， 表示噪声；

所述以系统输出信噪比作为目标函数，使用多策略融合粒子算法对所述随机共振系统模型中的系统参数进行寻优，包括：对多策略融合粒子算法的参数进行初始化，设定种群数量 ，最大迭代次数 ，惯性权重 、惯性权重 、加速度系数 、加速度系数 ，连续最优解相同次数 以及系统参数（a,b）的取值范围；

并初始化粒子种群位置 、速度 ， ，判断是否符合预设条件，且每个位置对应一组系统参数，根据所述系统参数计算目标函数值；

计算每个粒子适应度 ，将其作为个体最优 ，并把初始种群粒子个体最优作为全局最优 ；

更新粒子的速度和位置，包括：

产生随机数 ∈[0,1]，计算邻域搜索半径系数 ，并比较 和 的大小关系；

当 ＜ 时，计算出新的全局最优位置 ，并按照此条件下的速度、位置公式进行更新；

当 ≥ 时，继续比较计数器 与 的关系，包括：当 ≥ 时，计算选择概率 ；

如果（0，1）之间的随机数 ＜ ，按照反向学习策略公式更新最优解；

否则，按照柯西变异策略公式对最优解进行变异扰动，产生新解；

当 ＜ 时，并按照此条件下的速度、位置公式进行更新；

其中， 的表达式为：

（12）；

式中，表示当前迭代次数；

其中， ＜ 时对应的 以及速度、位置更新公式为：（13）；

（14）；

（15）；

（16）；

式中，rk表示搜索半径， ； 表示全局最优位置； 表示惯性权重； 、 分别表示加速度系数，用以对 和 加权；r1、r2分别表示[0,1]范围内的两个随机值；

、 分别表示第i个粒子在第t次迭代中的个体最优位置以及全局最优位置，表示产生（0,1）之间的随机数；

其中， ≥ 且 ≥ 时对应的反向学习策略公式为：（17）；

（18）；

（19）；

式中， 表示第 代最优解的反向解， 、 分别是位置 的上下界，r是服从（0,

1）标准均匀分布的随机数矩阵， 表示信息交换控制参数， 表示异或， 表示第t+1次迭代过程中粒子的位置；

其中， ≥ 且 ≥ 时对应的柯西变异策略公式为：（20）；

（21）；

式中，cauchy(0,1)为标准柯西分布， 取值与 有关， ；

其中， ≥ 且 ＜ 时对应速度、位置更新公式为：（22）；

（23）；

评估、更新每个粒子的适应度值，以得到个体历史最优值和全局最优值，包括：计算每个粒子 的适应度值 ，比较 与个体历史最优值 的大小关系，如果 较优，将其赋值给 ；

否则不进行更新；

对全局最优值 进行相应的操作；

判断多策略融合粒子算法迭代是否终止，若迭代终止，则输出目标函数取最大值时对应的最优系统参数；

其中，所述判断多策略融合粒子算法迭代是否终止，若迭代终止，则输出目标函数取最大值时对应的最优系统参数，包括：当目标函数收敛至其最大值，且迭代次数达到所述最大迭代次数时，则停止迭代，并输出所述目标函数取最大值时对应的所述最优系统参数；

将所述最优系统参数输入所述自适应随机共振系统模型，并利用四阶龙格库塔算法求解输出检测信号。

2.根据权利要求1所述水下光通信接收信号检测方法，其特征在于，所述采用卡尔曼滤波算法对所述小参数信号进行求取受湍流扰动的接收信号的包络，还包括：将所述湍流特征信号作为所述卡尔曼滤波算法初始时刻的目标状态，并初始化滤波器参数、状态转移矩阵、噪声驱动矩阵、观测矩阵、输入系统的噪声序列的协方差、高斯测量噪声序列的协方差。

3.根据权利要求2所述水下光通信接收信号检测方法，其特征在于，所述采用卡尔曼滤波算法对所述小参数信号进行求取受湍流扰动的接收信号的包络，还包括：利用状态方程计算出 时刻目标状态的预测值、观测信号的预测值以及信息 ，并计算出 时刻参数预测误差协方差、卡尔曼滤波增益，以及估计误差协方差，进而得到 时刻的参数估计值；

其中，状态方程的表达式为：

（2）；

（3）；

式中， 表示k +1时刻的目标状态， 表示k+1时刻的观测信号， 表示状态转移矩阵， 表示噪声驱动矩阵， 表示观测矩阵，在线性滤波过程中，假设噪声均为高斯白噪声， 表示输入系统的噪声序列， 表示高斯测量噪声序列；

其中，k时刻目标状态的预测值 、观测信号的预测值 以及信息的对应表达式分别为：

（4）；

（5）；

（6）；

其中，k时刻的参数预测误差协方差 、卡尔曼滤波增益 以及状态协方差矩阵 的对应表达式分别为：（7）；

（8）；

（9）；

式中， 表示输入系统的噪声序列的协方差， 表示高斯测量噪声序列的协方差， 为单位阵，T表示矩阵的转置；

其中，k时刻的参数估计值 表达式为：（10）。

4.根据权利要求3所述水下光通信接收信号检测方法，其特征在于，所述采用卡尔曼滤波算法对所述小参数信号进行求取受湍流扰动的接收信号的包络，还包括：根据k时刻的参数估计值，计算出k+1时刻的参数估计值，当满足预设条件k+1大于受湍流扰动的接收信号长度N时，输出经过所述卡尔曼滤波算法处理后的受湍流扰动的接收信号的包络。