1.一种基于深度学习增强的卫星导航定位方法，其特征在于，包括：通过鱼眼相机采集定位终端上方的天空视图信息获得天空实景图像；对天空实景图像进行灰度化处理和模糊化处理获得天空灰度图像；

将天空灰度图像输入至多尺度空间频域感知模型获得包含遮挡信息的天空分割图像；

将卫星在三维物理空间中的位置投影至天空分割图像中获得天空卫星感知图像；

将天空卫星感知图像输入至深度可分离空间卷积网络获得空间判别特征，具体包括：所述深度可分离空间卷积网络包括分离层和门控卷积块；

由分离层对天空卫星感知图像按照特征尺度拆分获得高频细节特征和低频全局特征，将高频细节特征和低频全局特征输入至所述门控卷积块获得高频关键特征和低频关键特征，表达公式为：；

；

公式中， 为高频细节特征或低频全局特征归一化后的中间特征； 为输入门控卷积块的高频细节特征或低频全局特征， 为层归一化操作； 、 和 表示为线性变换权重； 为卷积操作函数； 为Sigmoid 激活函数；为门控卷积块输出的高频关键特征或低频关键特征； 为逐元素乘法；

将高频细节特征、低频全局特征、高频关键特征和低频关键特征拼接获得空间判别特征；

由定位终端获取GNSS信号，通过融合GNSS信号和空间判别特征获得融合特征向量；将融合特征向量输入至基于多头注意力的长短期记忆网络模型获得导航信号类型判别结果；

根据导航信号类型判别结果动态调整GNSS信号的权重系数，并执行定位解算获得精确定位信息。

2.根据权利要求1所述的卫星导航定位方法，其特征在于，将天空灰度图像输入至多尺度空间频域感知模型获得包含遮挡信息的天空分割图像，具体过程：所述多尺度空间频域感知模型包括频域通道注意力模块、频域全局空间注意力模块、多尺度特征提取模块和混合维度卷积模块；

由第一卷积层的输入端用于接收天空灰度图像；所述第一卷积层的输出端连接所述频域通道注意力模块、多尺度特征提取模块和混合维度卷积模块；

所述频域通道注意力模块的输出端和第二卷积层连接；对频域通道注意力模块和第二卷积层的输出特征执行元素级乘法进行频域增强，并输入至频域全局空间注意力模块获得频域全局注意力特征；

由多尺度特征提取模块和混合维度卷积模块输出第一级亮度特征和第二级亮度特征；

将频域全局注意力特征、天空灰度图像、第一级亮度特征和第二级亮度特征拼接后输入至第三卷积层获得天空分割图像。

3.根据权利要求2所述的卫星导航定位方法，其特征在于，所述混合维度卷积模块包括纵向方向卷积核、横向方向卷积核和全域空间卷积核；

所述第一卷积层的输出端连接纵向方向卷积核、横向方向卷积核和全域空间卷积核；

所述纵向方向卷积核、横向方向卷积核和全域空间卷积核的输出特征拼接后形成第二级亮度特征。

4.根据权利要求1所述的卫星导航定位方法，其特征在于，将卫星在三维物理空间中的位置投影至天空分割图像中获得天空卫星感知图像，具体包括：通过旋转矩阵R和平移向量D将卫星在三维物理空间中的位置转换至鱼眼相机坐标系，获得鱼眼相机坐标系下的卫星位置，表达公式为：；

公式中，T表示矩阵转置； 为鱼眼相机坐标系下的卫星位置坐标；

为三维物理空间中的卫星位置坐标；

根据鱼眼相机坐标系下的卫星位置计算卫星相对鱼眼相机的入射角和方位角，表达公式为；

；

；

公式中，为卫星在相机坐标系下归一化坐标的径向距离；为卫星相对鱼眼相机的入射角； 为卫星相对鱼眼相机的方位角；

利用卫星相对鱼眼相机的入射角计算卫星在图像平面上形成的像点至主点之间的主点偏心距 ；

通过主点偏心距 和卫星相对鱼眼相机的方位角计算卫星的像素坐标，表达公式为：；

；

；

；

公式中， 为卫星在图像平面上的物理坐标； 为主点坐标； 为卫星的像素坐标； 为x 轴方向焦距； 为y 轴方向焦距。

5.根据权利要求4所述的卫星导航定位方法，其特征在于，利用卫星相对鱼眼相机的入射角计算卫星在图像平面上形成的像点至主点之间的主点偏心距 ，具体包括：；

公式中，为鱼眼相机的有效焦距， 表示第j个多项式系数； 为泰勒展开级数；为卫星相对鱼眼相机的入射角。

6.根据权利要求1所述的卫星导航定位方法，其特征在于，将融合特征向量输入至基于多头注意力的长短期记忆网络模型获得导航信号类型判别结果；具体包括：基于多头注意力的长短期记忆网络模型包括LSTM 神经网络模块和多头注意力模块；

对融合特征向量进行重塑获得二维的融合特征张量；将融合特征张量输入至所述多头注意力模块，通过三个独立的全连接层将融合特征张量分别映射为查询向量 Q、键向量 K和值向量 V；对查询向量 Q、键向量 K和值向量 V进行多头拆分与并行注意力计算获得m组子向量；m为多头注意力模块中预设注意力头数；对每组子向量独立执行缩放点积注意力计算获得m组空间关联子特征；按通道维度拼接m组空间关联子特征获得空间关联特征；

将空间关联特征输入至第一丢弃层获得空间关联去冗特征；对空间关联去冗特征与融合特征张量依次进行拼接、归一化处理和重塑获得三维的空间关联张量；将空间关联张量输入至所述LSTM 神经网络模块获得时空关联特征；

将时空关联特征输入至第二丢弃层获得时空关联去冗特征，对时空关联去冗特征和时空关联特征进行拼接和归一化处理获得导航信号类型判别结果。

7.根据权利要求6所述的卫星导航定位方法，其特征在于，将空间关联张量输入至所述LSTM 神经网络模块获得时空关联特征；表达公式为：；

；

；

；

；

；

公式中， 为LSTM 神经网络模块中遗忘门的输出特征； 为LSTM 神经网络模块中输入门的输出特征； 为LSTM 神经网络模块中输出门的输出特征； 为Sigmoid 激活函数； 、 、 和 为线性变换权重； 、 、 和 为权重矩阵的偏置项； 为第t−

1时刻LSTM 神经网络模块的短期记忆特征； 为LSTM 神经网络模块输出的当前短期记忆特征，记为时空关联特征； 为第t时刻LSTM 神经网络模块的空间输入特征； 为双曲正切激活函数； 为基于当前空间输入特征 和前一时刻短期记忆特征ht−1生成的时序特征； 和 分别为第t和t‑1时刻长期记忆特征。

8.一种基于深度学习增强的卫星导航定位系统，其特征在于，包括：图像获取单元，通过鱼眼相机采集定位终端上方的天空视图信息获得天空实景图像；

对天空实景图像进行灰度化处理和模糊化处理获得天空灰度图像；

特征提取单元，将天空灰度图像输入至多尺度空间频域感知模型获得包含遮挡信息的天空分割图像；将卫星在三维物理空间中的位置投影至天空分割图像中获得天空卫星感知图像；将天空卫星感知图像输入至深度可分离空间卷积网络获得空间判别特征；

信号判别单元，由定位终端获取GNSS信号，通过融合GNSS信号和空间判别特征获得融合特征向量；将融合特征向量输入至基于多头注意力的长短期记忆网络模型获得导航信号类型判别结果；

导航定位单元，根据导航信号类型判别结果动态调整GNSS信号的权重系数，并执行定位解算获得精确定位信息；

所述特征提取单元将天空卫星感知图像输入至深度可分离空间卷积网络获得空间判别特征，具体包括：所述深度可分离空间卷积网络包括分离层和门控卷积块；

由分离层对天空卫星感知图像按照特征尺度拆分获得高频细节特征和低频全局特征，将高频细节特征和低频全局特征输入至所述门控卷积块获得高频关键特征和低频关键特征，表达公式为：；

；

公式中， 为高频细节特征或低频全局特征归一化后的中间特征； 为输入门控卷积块的高频细节特征或低频全局特征， 为层归一化操作； 、 和 表示为线性变换权重； 为卷积操作函数； 为Sigmoid 激活函数；为门控卷积块输出的高频关键特征或低频关键特征； 为逐元素乘法；

将高频细节特征、低频全局特征、高频关键特征和低频关键特征拼接获得空间判别特征。

9.一种电子终端，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行权利要求1至7任一项所述卫星导航定位方法的步骤。