1.一种融合对比学习的生成对抗网络声呐图像去噪方法，其特征在于：包括如下步骤：S1，构建生成网络，输入带噪图像，经过融合注意力机制模块和对比学习模块，进行图像去噪处理；

S2，构建判别网络，输入不含噪声的无噪图像和生成网络生成的去噪图像，进行图像判别；

S3，训练由生成网络和判别网络组成的对抗网络，并保存训练结束的最终参数；训练生成对抗网络过程中，整体训练损失由对抗损失和对比学习损失相加构成；

对抗损失，用于确保生成器 生成的去噪图像 与真实的无噪图像 在视觉上相似，让去噪图像尽可能的像无噪图像使生成器 能够生成足够真实的去噪图像，让判别器无法区分去噪图像和无噪图像，从而达到去噪的效果；

对比学习损失，用于约束生成网络，解决生成网络在生成图像过程中可能出现的失真问题，使得生成的去噪图像 的分布与带噪图像 的分布一致；

S4，将噪声图像输入到已经训练好的生成网络中，得到去噪图像；

步骤S1中还包括：

S11、设计特征提取网络，网络由三个卷积层构成编码模块组成，提取图像特征，将输入的原始带噪图像 ，转变为多层特征图，用 表示，其中 表示第 层特征；

S12、设计融合注意力机制网络，将 即特征提取网络的最后一层输出特征图 作为网络输入，特征图 经过通道注意力机制模块处理得到特征图 ，再经过空间注意力机制模块处理得到特征图 ，通过融合注意力机制网络，获得混合通道和空间两个维度的信息的特征图 ；

S13、 设计对比学习网络，网络由对比学习模块组成，选择生成器 编码的特征层，并通过2个 网络 ，生成对比学习特征，计算交叉熵损失，通过对比学习网络，约束生成网络；

S14、设计图像恢复网络，网络由多组 网络构成，每组 网络由两个反卷积层和一个卷积层组成，通过图像恢复网络，将特征图 恢复成由生成网络生成的去噪图像 。

2.如权利要求1所述的一种融合对比学习的生成对抗网络声呐图像去噪方法，其特征在于：步骤S12设计的融合注意力机制网络，由九个级联的残差网络构成，残差网络由两个级联的卷积层在进行实例归一化和ReLU激活函数后，先经过通道注意力机制模块再经过空间注意力机制模块，得到最后的特征图。

3.如权利要求1所述的一种融合对比学习的生成对抗网络声呐图像去噪方法，其特征在于：步骤S2中所述的判别网络，由五组卷积层构成，每层卷积层包含批归一化和Leaky ReLU激活函数，判别网络最后输出一个介于0‑1的值，代表输入图像是无噪图像的概率，用以衡量去噪的效果。

4.一种融合对比学习的生成对抗网络声呐图像去噪装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑3中任一项所述的一种融合对比学习的生成对抗网络声呐图像去噪方法。

5.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑3中任一项所述的一种融合对比学习的生成对抗网络声呐图像去噪方法。