1.一种光纤故障检测分离方法，其特征在于，包括：

在样本光纤端加载预设参数的光源数据；

在样本光纤线路的不同位置，配置多个检测点，并检测各检测点后端以及输出端的光强度，以获得各检测点位置的光强度序列，其中任一检测点的位置对应于相应的传输距离区间，且样本光纤线路覆盖待检测的传输距离区间；

基于样本光纤头端的强度作为基准强度，计算格拉姆矩阵；

根据所计算的格拉姆矩阵，将所述光强度序列转换为二维图像，并为任一检测点添加相应的正常或者故障的描述标记，以构建训练样本，其中所述二维图像中的任一像素值用以描述相应的检测点处的强度与基准强度之间的偏差；

提取所述训练样本中的二维图像的图像特征，以基于所提取的图像特征训练预设CNN模型，所述CNN模型至少包括卷积层、池化层、全连接层和Softmax分类层，其中所述全连接层用以多层全连接神经元进行特征组合及故障预测，Softmax分类层用以将所述全连接层的输出转换成概率分布；

在待检测光纤头端加载预设参数的光源数据，并获取待检测光纤输出端的光强度，以及，确定待检测光纤的拟合检测点的位置关系并基于拟合的位置关系估算待检光强度序列；

根据估算的待检光强度序列，计算格拉姆矩阵，并转换为二维图像；

基于所转换的二维图像以及训练后的所述CNN模型，确定待检测光纤的故障检测结果。

2.如权利要求1所述的光纤故障检测分离方法，其特征在于，基于样本光纤头端的强度作为基准强度，计算格拉姆矩阵包括：预先配置正常状态下各检测点位置以及输出端的理论强度，并计算理论强度偏差：其中，L表示样本光纤端的强度， 表示检测点i的理论强度；

根据检测获得的夹角位置以及输出端的光强度，计算检测强度偏差：其中， 表示检测点i的检测强度；

对计算的理论强度偏差和检测强度偏差，利用非线性函数进行增强，其中所述非线性函数被配置为使得强度偏差越大增强后的值非线性增大。

3.如权利要求2所述的光纤故障检测分离方法，其特征在于，根据所计算的格拉姆矩阵，将所述光强度序列转换为二维图像包括：根据增强后各检测点的强度偏差，利用NumPy库构建格拉姆矩阵；

利用映射函数将所述格拉姆矩阵的元数，转换为二维图像的像素值。

4.如权利要求3所述的光纤故障检测分离方法，其特征在于，根据增强后各检测点的强度偏差，利用NumPy库构建格拉姆矩阵包括：根据增强后各检测点的检测强度偏差，计算与各检测点的理论强度偏差之间的相似度满足：将计算的相似度 作为格拉姆矩阵相应位置的元素。

5.如权利要求4所述的光纤故障检测分离方法，其特征在于，根据所计算的格拉姆矩阵，将所述光强度序列转换为二维图像包括：利用imshow函数，基于给定的色谱，将矩阵的值映射为像素的颜色值，以通过相应的颜色值描述不同的角度差值。

6.如权利要求4所述的光纤故障检测分离方法，其特征在于，确定待检测光纤的拟合检测点的位置关系包括：按照样本中检测点所覆盖的传输距离区间，在相应的位置区间拟合检测点，并对任一可能故障区域所在位置的检测点进行标识；

基于拟合的位置关系估算待检光强度序列包括：

基于待检测光纤的输入端及输出端的光强度，对任一可能故障区域所对应的检测点进行双向拟合，以对任一可能故障区域估算出两个待检光强度序列。

7.如权利要求6所述的光纤故障检测分离方法，其特征在于，根据估算的待检光强度序列，计算格拉姆矩阵包括：对任一可能故障区域估算出两个待检光强度序列，分别计算格拉姆矩阵，并分别转换为二维图像。

8.如权利要求6所述的光纤故障检测分离方法，其特征在于，基于所转换的二维图像以及训练后的所述CNN模型，确定待检测光纤的故障检测结果包括：在所述CNN模型输出的检测结果与标识的可能故障区域匹配的情况下，根据匹配的待检光强度序列以及拟合方向确定对应的区域为故障区域。

9.一种光纤故障检测分离系统，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的光纤故障检测分离方法的步骤。