1.一种基于复杂度驱动的大地电磁信号噪声压制方法，其特征在于：包括以下步骤：S1：构建样本库，构建用于模型训练的样本库并对样本信号进行分段处理，所述样本库至少包括含噪信号样本集与其对应的目标噪声轮廓样本集；

S2：计算每一段含噪信号的复杂度特征CS，所述复杂度特征CS用于多路径注意力残差去噪网络中的路径调度机制，所述复杂度特征 CS 是局部变化率、频谱熵、稀疏度、能量密度、自相关性五个复杂度指标归一化结果；

S3：构建并训练基于多路径注意力残差去噪网络的降噪模型，其中，含噪信号段及复杂度特征CS输入所述多路径注意力残差去噪网络；

所述多路径注意力残差去噪网络由多个结构异构的特征恢复模块并联，形成不同主支路，各主支路的输出协同输入输出层，进而输出降噪信号或噪声轮廓；不同主支路对应的所述特征恢复模块分别为浅层卷积模块CBL、通道结构建模模块MACNet和全局注意力建模模块DHVT，且每个主支路上均设有以所述复杂度特征CS为输入的复杂度感知门控单元，其输出信号协同含噪信号段输入所在主支路的特征恢复模块；

所述路径调度机制为各主支路上的所述复杂度感知门控单元的输出结果引导所在主支路的特征恢复模块是否参与数据处理，具体为：基于所述复杂度感知门控单元输出的模块激活因子 ，按照硬激活策略自适应确定所在主支路的特征恢复模块是否参与数据处理；

所述复杂度感知门控单元的数学模型为： ，其中， 与 为权重与偏置常数，用于控制 sigmoid 函数的输出区间和响应曲线形状； 为输入的复杂度特征；

所述硬激活策略为：若所在主支路的复杂度感知门控单元的模块激活因子 大于或等于预设阈值，所在主支路的特征恢复模块被激活，参与数据处理；否则，不参与数据处理；

S4：利用训练好的基于多路径注意力残差去噪网络的降噪模型对实测大地电磁信号进行降噪。

2.根据权利要求1所述的大地电磁信号噪声压制方法，其特征在于：所述复杂度感知门控单元经训练后确定其模块参数，使得：当 ，三主支路的模块激活因子 均大于或等于预设阈值，所述浅层卷积模块CBL、通道结构建模模块MACNet和全局注意力建模模块DHVT均被激活；

当 ，所述浅层卷积模块CBL、所述通道结构建模模块MACNet被激活；

当 ，仅所述浅层卷积模块CBL被激活。

3.根据权利要求1所述的大地电磁信号噪声压制方法，其特征在于：局部变化率、频谱熵、稀疏度、能量密度、自相关性的定义如下：定义第i个含噪信号段 ，s为滑窗步长，L为窗口长度，j为

时间， 为时间点j对应的信号采样点；

第i个含噪信号段 的局部变化率 ： ， 为

时间点j+1对应的信号采样点；

第i个含噪信号段 的频谱熵 ： ，其中， ，

为第i个含噪信号段 的经傅里叶变换后的频域系数，k为频率索引， 表示对应频率点的能量占比，频谱熵反映了频谱能量分布的复杂程度，值越大表示频谱越分散、能量分布越均匀；

第i个含噪信号段 的稀疏度 ： ， 、 分别表示信号段 的L1范数和L2范数；

第i个含噪信号段 的能量密度 ： ；

第i个含噪信号段 的自相关性 ： ，其中， 表

示含噪信号段 的均值；

复杂度特征CS的公式为： ，

；

满足 ， 为各复杂度指标的权重。

4.根据权利要求1所述的大地电磁信号噪声压制方法，其特征在于：所述输出层为将浅层卷积模块CBL、通道结构建模模块MACNet和全局注意力建模模块DHVT的输出按比例加权求和，融合为统一特征表示，或者将浅层卷积模块CBL、通道结构建模模块MACNet和全局注意力建模模块DHVT的输出在通道维度拼接，再输入至1×1卷积融合模块。

5.根据权利要求1所述的大地电磁信号噪声压制方法，其特征在于：所述通道结构建模模块MACNet由三条并行子分支组成；

第一子分支设有 1×1 旁路卷积；

第二子分支为深度可分离卷积支路DSConv，依次设有1×1普通卷积、K×K 深度卷积、1×1 逐点卷积；

第三子分支为细粒度多路径特征精炼分支FMFRB；

其中，模块MACNet 中的每个子分支均嵌入复杂度感知门控子单元，根据复杂度特征 CS 自适应计算子分支激活因子 ，子分支激活因子采用软激活机制应用，用于表示各子分支在当前复杂度区域的参与程度，即各子分支输出分别与对应子分支激活因子相乘后，在通道维度拼接，并通过 1×1 卷积实现子分支特征融合。

6.根据权利要求1所述的大地电磁信号噪声压制方法，其特征在于：所述浅层卷积模块CBL中卷积模块和最大池化层依次交替设置，所述卷积模块内依次设有卷积层、批量归一化层和LeakyReLU激活层。

7.根据权利要求1所述的大地电磁信号噪声压制方法，其特征在于：所述全局注意力建模模块 DHVT 中多头注意力交互模块根据复杂度特征CS对三类Token标记分别分配激活因子，所述三类Token标记分别为通道引导标记向量Head Token、局部片段表示向量Patch Token以及类别标记向量Class Token，激活因子的设置为：；

其中， 为复杂度分段阈值； 为平滑函数，用于实现软激活， 控制激活函数斜率， 分别为局部片段表示向量Patch Token、类别标记向量Class Token和通道引导标记向量Head Token的激活因子；

进而基于所述激活因子激活三类Token标记并替代所述多头注意力交互模块的原三类Token标记，再执行所述多头注意力交互模块的原算法。

8.一种基于权利要求1‑7任一项所述大地电磁信号噪声压制方法的降噪系统，其特征在于：包括：样本库构建模块，构建用于模型训练的样本库并对样本信号进行分段处理，所述样本库至少包括含噪信号样本集与其对应的目标噪声轮廓样本集；

复杂度特征CS计算模块，用于计算每一段含噪信号的复杂度特征CS，所述复杂度特征CS用于多路径注意力残差去噪网络中的路径调度机制；

降噪模块构建训练模块，用于构建并训练基于多路径注意力残差去噪网络的降噪模型，其中，含噪信号段及复杂度特征CS输入所述多路径注意力残差去噪网络；

所述多路径注意力残差去噪网络由多个结构异构的特征恢复模块并联，形成不同主支路，各主支路的输出协同输入输出层，进而输出降噪信号或噪声轮廓；不同主支路对应的所述特征恢复模块分别为浅层卷积模块CBL、通道结构建模模块MACNet和全局注意力建模模块DHVT，且每个主支路上均设有以所述复杂度特征CS为输入的复杂度感知门控单元，其输出信号协同含噪信号段输入所在主支路的特征恢复模块；

所述路径调度机制为各主支路上的所述复杂度感知门控单元的输出结果引导所在主支路的特征恢复模块是否参与数据处理；

降噪模块，用于利用训练好的基于多路径注意力残差去噪网络的降噪模型对实测大地电磁信号进行降噪。

9.一种计算机存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：权利要求1‑7任一项所述大地电磁信号噪声压制方法的步骤。