1.一种基于高效多模态缓存模型的雷达有源复合干扰识别方法，其特征在于，包括：获取仿真雷达有源干扰时域数据，将仿真雷达有源干扰时域数据拆分为训练集和测试集，将所述训练集划分为训练支撑集和训练查询集；

基于视觉缓存模块、文本缓存模块和残差连接模块构建高效多模态缓存模型；

基于所述训练支撑集和训练查询集对所述高效多模态缓存模型进行训练，通过测试集对训练后的模型进行测试，获得干扰识别模型；

基于所述干扰识别模型对雷达有源复合干扰进行识别；

所述高效多模态缓存模型的运作过程包括：

基于所述视觉缓存模块提取训练支撑集干扰的时频图像特征和标签独热编码构建键值对；其中，所述视觉缓存模块包括视觉编码器、视觉特征优化器、独热编码器和视觉缓存，所述视觉特征优化器由两个全连接层和一个dropout层组成，第一个全连接层的输出维度是512，第二个全连接层的输出维度是36；所述视觉编码器基于预训练的CLIP的视觉编码部分构成；

基于所述文本缓存模块提取基于标签先验信息构建的文本特征；其中所述文本缓存模块包括文本编码器、文本特征优化器和文本缓存；所述文本编码器基于预训练的CLIP的文本编码部分构成，所述文本特征优化器由一个全连接层和一个dropout层组成，所述全连接层的输出维度为36；

基于所述视觉编码器和所述视觉特征优化器提取训练查询集干扰时频特征，基于所述视觉缓存检索训练查询集的干扰时频特征与训练支持集视觉亲和度获得视觉预测特征；

基于所述文本缓存检索训练查询集干扰时频特征与训练支持集文本亲和度获得文本预测特征；

基于残差模块对所述视觉预测特征和所述文本预测特征进行融合，获得干扰识别结果；

基于所述视觉缓存模块提取训练支撑集干扰的时频图像特征和标签独热编码构建键值对的过程包括：基于所述独热编码器将所述训练支撑集的标签转化为独热编码：基于短时傅里叶变换将训练支撑集的时域信号转化成时频图；

基于所述视觉编码器和所述视觉特征优化器提取所述时频图提取时频特征；

将所述时频特征作为视觉缓存的值，将所述独热编码作为视觉缓存的键储存至所述视觉缓存中。

2.根据权利要求1所述的方法，其特征在于，所述雷达有源干扰时域数据包括：噪声乘积干扰、智能噪声干扰、频谱弥散干扰、密集假目标干扰、间歇采样转发干扰和频率调制干扰。

3.根据权利要求1所述的方法，其特征在于，基于所述文本缓存模块提取基于标签先验信息构建的文本特征的过程包括：将所述训练支撑集标签转化为简单文本提示，将所述简单文本提示转化为文本向量输入至文本编码器中，获得文本特征；

基于所述文本特征优化器对所述文本特征进行优化，获得优化文本向量；

将所述优化文本向量中每个类别相关的文本向量组成文本特征矩阵储存至所述文本缓存中。

4.根据权利要求1所述的方法，其特征在于，所述获得视觉预测特征的表达式为：其中， 为视觉预测特征，β代表调节相似度锐度的超参数， 表示计算训练查询集样本特征fquery与训练支持集中任一样本特征之间的余弦相似度，Ltrain为独热编码矩阵。

5.根据权利要求1所述的方法，其特征在于，所述获得文本预测特征的表达式为：其中， 为文本预测特征， 为文本特征矩阵。

6.根据权利要求1所述的方法，其特征在于，基于所述训练支撑集和训练查询集对所述高效多模态缓存模型进行训练的过程还包括：利用训练查询集样本真实标签计算交叉熵损失，结合高效迁移学习策略冻结模型中的视觉编码器和文本编码器参数，采用反向梯度传播算法迭代优化模型中的视觉特征优化器和文本特征优化器参数，直至损失值不再降低为止，停止迭代优化，输出所述干扰识别模型。

7.根据权利要求1所述的方法，其特征在于，所述获得干扰识别结果的表达式为：其中，ftest代表测试集干扰经过视觉编码器及视觉特征优化器处理后获得的视觉时频特征，Sfinal为干扰识别结果。