1.一种高光谱图像分类方法，其特征是，包括，获取高光谱图像并将其编码为原始脉冲信号，将所述原始脉冲信号输入预先构建并训练好的脉冲神经网络模型中，所述脉冲神经网络模型包括卷积层、动态阈值调整层、阈值化层和特征提取层；

所述卷积层从所述原始脉冲信号中提取出局部特征图；

所述动态阈值调整层调整所述局部特征图中每个像素在所述卷积层中的动态阈值；

所述阈值化层根据每个像素的动态阈值非线性激活每个像素的像素值，输出二值化的脉冲信号；

所述特征提取层从所述二值化的脉冲信号中提取出关键特征；

通过所述关键特征将对应的高光谱图像进行分类；

所述特征提取层从所述二值化的脉冲信号中提取出关键特征，包括，将所述二值化的脉冲信号线性变换，获得查询向量、键向量和值向量；

根据查询向量和键向量生成注意力权重，所述注意力权重通过下式计算获取：，

式中， 为注意力权重， 为汉明距离的计算操作， 为查询向量和键向量 之间的汉明距离， 表示自然指数函数， 和 分别为查询向量 和键向量中元素的序号， 和 分别为查询向量 和键向量 中的元素， 为查询向量元素和键向量元素 之间的距离；

根据值向量与注意力权重乘积结果，获得关键特征。

2.根据权利要求1所述高光谱图像分类方法，其特征是，所述卷积层从所述原始脉冲信号中提取出局部特征图，包括，对所述原始脉冲信号进行微型脉冲卷积操作，获得精细的局部活跃度图谱，将所述精细的局部活跃度图谱作为提取出的局部特征图；其中，所述精细的局部活跃度图谱的获取式如下：，

式中， 为精细的局部活跃度图谱， 为卷积核在不同位置应用时的索引总数，为卷积核在不同位置应用时的索引计数， 为第 个索引的卷积操作权重， 为原始脉冲信号，为原始脉冲信号的绝对值；

或者，所述卷积层包括高斯径向基函数卷积核，采用所述高斯径向基函数卷积核提取局部特征图，提取式如下：，

式中， 和 为原始脉冲信号中高斯径向基函数卷积核的位置坐标， 为KAN卷积操作， 为输入的原始脉冲信号， 和 为原始脉冲信号的像素尺寸，为输出的局部特征图， 为高斯径向基函数卷积核在位置 处的权重。

3.根据权利要求2所述高光谱图像分类方法，其特征是，所述动态阈值调整层调整所述局部特征图中每个像素在所述卷积层中的动态阈值，包括，所述动态阈值通过获取式获取，所述动态阈值的获取式如下：，

式中， 为坐标位置 处的动态阈值，和 为局部特征图中的像素坐标， 为限制函数， 为缩放参数， 为原始脉冲信号的绝对值， 为微型脉冲卷积操作，为坐标位置 处的卷积输出，即坐标位置 处的局部活跃度， 和 分别为神经元的激活阈值的上下限。

4.根据权利要求2所述高光谱图像分类方法，其特征是，所述动态阈值调整层获取所述局部特征图中每个像素的动态阈值，包括，所述动态阈值的获取式如下：

，

式中， 为动态阈值， 和 分别为神经元的激活阈值的上下限， 为基于梯度学习的自适应函数， 为调节因子。

5.根据权利要求4所述高光谱图像分类方法，其特征是，所述阈值化层根据每个像素的动态阈值非线性激活每个像素的像素值，输出二值化的脉冲信号，包括，所述二值化的脉冲信号通过获取式获取，所述二值化的脉冲信号的获取式如下：，

式中， 为二值化的脉冲信号， 为自适应脉冲调制技术的脉冲序列输出操作。

6.根据权利要求5所述高光谱图像分类方法，其特征是，所述自适应脉冲调制技术的脉冲序列输出操作，包括，将原始脉冲信号的局部特征图中像素值转化为所述脉冲神经元中的脉冲；

根据脉冲强度获取脉冲发放时间，所述脉冲发放时间通过下式计算获取：，

式中， 为脉冲发放的时间， 和 分别为脉冲发放的时间的取值范围上下限，为脉冲信号的强度， 和 分别为脉冲的强度的取值范围上下限；

所述阈值化层包括脉冲神经元，以脉冲发放的时间为时间步长，根据所述时间步长内脉冲的累积强度更新脉冲神经元的膜电位，所述神经元膜电位按照下式更新：，

式中，为当前时刻， 为当前时刻的神经元膜电位， 为下一时刻的神经元膜电位， 与 之间间隔时间步长为 ， 为第 个脉冲强度， 为时间步长内受到的脉冲序号， 为当前时间步长内脉冲神经元收到的所有脉冲的累积强度，为神经元膜电位自然衰减而减去的量；

响应于更新后的神经元膜电位达到所述动态阈值，输出一次脉冲。

7.一种计算机设备，其特征在于，包括处理器以及与所述处理器连接的存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如权利要求1至

6任一项所述高光谱图像分类方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述高光谱图像分类方法的步骤。

9.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6中任一项所述高光谱图像分类方法的步骤。