1.一种AI图像识别与高速跟踪协同方法，其特征在于，包括：

在基于雷达回波图像确定雷达发现未知目标后，引导光电转台进行拍摄，以获取空域内包含至少一个未知目标的AI图像；

通过空域对应的环境态势感知基线，从所述AI图像中剔除预设白名单内已有目标的数据，得到携带有态势能标记的目标数据集合，其中，所述环境态势感知基线是基于空域的区域部署架构和空域所处环境自适应建立得到的，包括：获取防护区域的数字地图数据，同时导入空域的区域部署架构；通过接入气象传感器或预设气象数据接口，实时获取空域所处环境的环境数据；将所述数字地图数据、所述区域部署架构和空域所处环境的环境数据进行融合，得到三维空域基础模型；基于所述环境数据，使用预设的经验模型计算当前环境下对不同探测手段的性能衰减系数，在三维空域基础模型中预设的固定空域边界基础上，根据实时风速风向进行动态偏移修正，得到修正后的空域边界；将基于环境数据动态生成的临时白名单规则、所述性能衰减系数和修正后的空域边界组合为环境态势感知基线；

基于所述目标数据集合，采用余弦相似度公式计算AI图像中各像素点与目标特征模板的相似度，基于所述相似度，生成热力图像；

基于未知目标的空间位置和形态参数，在所述热力图像中定位包含未知目标的待分析区域，引入多尺度特征生成算法，将待分析区域的深度特征按照不同比例生成多尺度特征向量，将所述多尺度特征向量与预设的多类型目标模板库中已有向量模板进行分层比对，得到特征匹配度；

基于所述特征匹配度，确定所述未知目标是否为待拦截目标，在所述未知目标为待拦截目标的情况下，预测所述待拦截目标在未来预设时间段内的预测飞行航迹；

基于所述预测飞行航迹，结合待拦截目标的威胁等级，分配对应的拦截设备，并控制所述拦截设备进行移动和机间实时通信，形成3D拦截网，以使所述待拦截目标进入到所述3D拦截网的截获范围。

2.根据权利要求1所述的方法，其特征在于，所述通过空域对应的环境态势感知基线，从所述AI图像中剔除预设白名单内已有目标的数据，得到携带有态势能标记的目标数据集合，包括：获取空域所处环境的亮度数据，在亮度数据低于预设亮度阈值的情况下，引入夜间亮度增强技术，增强所述AI图像的亮度，对亮度增强后的AI图像进行自适应分辨率调整，得到分辨率调整后的AI图像；

基于空域的区域部署架构和空域所处环境，自适应建立空域对应的环境态势感知基线；

基于所述环境态势感知基线确定防护区域的空域边界和白名单，将超出所述空域边界的图像数据剔除，得到初次优化后的AI图像，从所述初次优化后的AI图像中剔除预设白名单内已有目标的数据，得到二次优化后的AI图像，基于二次优化后的AI图像和所述环境态势感知基线确定态势能标记；

将所述二次优化后的AI图像中的数据进行结构化处理，将所述结构化处理后的数据及标记信息进行组合，得到目标数据集合，所述标记信息包括：态势能标记、地面探测设备标识、拦截设备状态和未知目标临时标识。

3.根据权利要求1所述的方法，其特征在于，所述引入多尺度特征生成算法，将待分析区域的深度特征按照不同比例生成多尺度特征向量，将所述多尺度特征向量与预设的多类型目标模板库中已有向量模板进行分层比对，得到特征匹配度，包括：确定多尺度比例体系，所述多尺度比例体系包括：压缩尺度比例、原尺度比例和扩展尺度比例；

基于多尺度特征生成算法和所述多尺度比例体系，将待分析区域的深度特征按照不同比例生成多尺度特征向量；

调用预设的多类型目标模板库，所述预设的多类型目标模板库按照目标类型和运动状态分类存储特征向量模板，并建立模板索引表；

比对所述多尺度特征向量中原尺度比例对应的特征向量与模板索引表中基准模板的第一匹配度，压缩尺度比例对应的特征向量与模板索引表中压缩模板的第二匹配度，及扩展尺度比例对应的特征向量与模板索引表中扩展模板的第三匹配度；

融合所述第一匹配度、所述第二匹配度和所述第三匹配度，得到特征匹配度。

4.根据权利要求1所述的方法，其特征在于，所述基于所述目标数据集合，采用余弦相似度公式计算AI图像中各像素点与目标特征模板的相似度，基于所述相似度，生成热力图像，包括：基于所述目标数据集合生成目标特征模板的目标特征向量；

将每个像素点的标准化特征向量分别与所述目标特征向量进行比对，采用余弦相似度公式进行相似度值计算的过程中，引入一个对角加权矩阵，对角加权矩阵的权重分配策略用于自适应环境变化，得到相似度；

将所述相似度线性映射至预设灰度区间中，得到对应的灰度值，将所有像素点的灰度值组合成初始灰度图，采用指定标准差的高斯核对所述初始灰度图进行卷积滤波，得到热力图像。

5.根据权利要求1所述的方法，其特征在于，所述预测所述待拦截目标在未来预设时间段内的预测飞行航迹，包括：调用目标数据集合中待拦截目标的历史航迹数据及对应的飞行状态参数，生成历史飞行航迹图像；

采用图像特征拟合算法对所述历史飞行航迹图像中的航迹曲线进行多项式拟合，以提取航迹曲线中的方向变化特征点和加速度关联像素变化规律，得到拟合结果；

结合深度特征中的运动模式稳定性及当前的飞行状态参数，基于所述拟合结果预测未来预设时间段内的预测飞行航迹。

6.根据权利要求1所述的方法，其特征在于，所述基于所述预测飞行航迹，结合待拦截目标的威胁等级，分配对应的拦截设备，并控制所述拦截设备进行移动和机间实时通信，形成3D拦截网，以使所述待拦截目标进入到所述3D拦截网的截获范围，包括：基于深度特征中的目标属性判定待拦截目标的威胁等级，根据待拦截目标的数量及威胁等级，按照预设倍数关系从拦截设备库中调度拦截设备；

将防护区域划分为多个固定直径的子区域，一个子区域分配有至少一个拦截设备，通过跳频加密通信技术向拦截设备发送包含预测飞行航迹、子区域边界、待拦截目标的临时标识和拦截优先级的调度指令，以使所述拦截设备按照所述调度指令升空，通过机间实时通信动态调整自身轨迹，形成3D拦截网；

将所述拦截设备和所述待拦截目标绑定，并接收拦截设备回传的自身飞行数据及目标追踪图像，形成数据关联对；

基于数据关联对中拦截设备与待拦截目标的相对位置关系，动态修正拦截设备的移动参数；

当待拦截目标进入3D拦截网的截获范围时，向拦截设备发送锁定指令，表示完成在截获范围内的追踪。

7.一种AI图像识别与高速跟踪协同系统，其特征在于，用于执行如权利要求1至6任一项所述的AI图像识别与高速跟踪协同方法，包括：获取模块，用于在基于雷达回波图像确定雷达发现未知目标后，引导光电转台进行拍摄，以获取空域内包含至少一个未知目标的AI图像；

剔除模块，用于通过空域对应的环境态势感知基线，从所述AI图像中剔除预设白名单内已有目标的数据，得到携带有态势能标记的目标数据集合，其中，所述环境态势感知基线是基于空域的区域部署架构和空域所处环境自适应建立得到的；

计算模块，用于基于所述目标数据集合，采用余弦相似度公式计算AI图像中各像素点与目标特征模板的相似度，基于所述相似度，生成热力图像；

定位比对模块，用于基于未知目标的空间位置和形态参数，在所述热力图像中定位包含未知目标的待分析区域，引入多尺度特征生成算法，将待分析区域的深度特征按照不同比例生成多尺度特征向量，将所述多尺度特征向量与预设的多类型目标模板库中已有向量模板进行分层比对，得到特征匹配度；

确定模块，用于基于所述特征匹配度，确定所述未知目标是否为待拦截目标，在所述未知目标为待拦截目标的情况下，预测所述待拦截目标在未来预设时间段内的预测飞行航迹；

分配控制模块，用于基于所述预测飞行航迹，结合待拦截目标的威胁等级，分配对应的拦截设备，并控制所述拦截设备进行移动和机间实时通信，形成3D拦截网，以使所述待拦截目标进入到所述3D拦截网的截获范围。

8.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的AI图像识别与高速跟踪协同方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时能够实现如权利要求1至6中任一项所述的AI图像识别与高速跟踪协同方法。