1.一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：
包括以下步骤：
步骤1：模拟气体管道在不同管道压力、不同泄露口径下的阀门外泄以及垫片泄漏状态，并采集各个状态下的泄漏声信号；另外还采集模拟环境下的背景声信号和实际管道场景下的噪声背景信号；
步骤2：将垫片泄漏、阀门泄漏声信号与模拟环境下的背景声信号以及实际管道场景下的噪声背景信号进行混合，形成六类具有代表性的声信号，分别是：
模拟环境下的背景声信号、模拟环境下的阀门外泄声信号、模拟环境下的垫片泄漏声信号、实际管道场景下的噪声背景信号、实际管道场景下的噪声与阀门外泄混合声信号，实际管道场景下的噪声与垫片泄漏混合声信号；
将每一类声信号分割为短时音频信号，将六类短时音频信号划分为训练集和测试集；
步骤3：对每一类短时音频数据进行短时傅里叶变换，获得样本的以横轴为时间、纵轴为频率、数值代表声压强度的表征矩阵；
步骤4：对表征矩阵进行超声域部分提取，得到超声域表征矩阵；
步骤5：将步骤4得到的超声域表征矩阵在时间域上进行t等分，采用大小为k*k大小的正方形滑动窗口，分别在每一个等分后得到的矩阵上从左至右、从上至下以步长为s进行滑动，将每一个正方形窗口内的元素提取出来获得t个k*k大小的矩阵，对这t个矩阵进行卷积操作得到一个新的值，将新的值作为特征增强后的矩阵的对应位置元素值，同时将增强后的矩阵映射成时频图像，作为新的数据集；
步骤6：采用不同的特征增强超参数k、s、t，重复步骤5获得不同的数据集；搭建卷积神经网络模型；对于每组特征增强超参数k、s、t所得到的数据集，利用其中训练集对应的数据集来训练模型，并用测试集对应的数据集检测模型的性能，输出每一类数据的预测准确率，并综合得到该组特征增强超参数k、s、t的适应度；
步骤7：通过比对不同的特征增强超参数k、s、t所对应的适应度，得到对于输气管道泄漏检测最合适的特征增强超参数k、s、t，然后对相应的卷积神经网络模型进行优化调整，获得在此条件下的最优神经网络识别模型；之后利用该最优神经网络识别模型进行气体管道泄漏识别。
2.根据权利要求1所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：步骤1中在实验室管道泄漏模拟系统上模拟气体管道在不同管道压力、不同泄露口径下的阀门外泄以及垫片泄漏状态，并采用麦克风传感器阵列采集各个状态下的泄漏声信号。
3.根据权利要求2所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：实际管道场景下的噪声背景信号为管廊风机噪声信号。
4.根据权利要求3所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：六类具有代表性的声信号分别为：实验室背景声信号，表示风机未工作且无泄漏时的管廊背景；实验室阀门外泄声信号，表示风机未工作时的管廊管道阀门泄漏；实验室垫片泄漏声信号，表示风机未工作时的管廊管道连接处泄漏；管廊风机噪声声信号，表示风机工作但无泄漏发生的管廊背景；风机噪声与阀门外泄混合声信号，表示风机工作时发生的阀门泄漏；风机噪声与垫片泄漏混合声信号，表示风机工作时发生的垫片泄漏。
5.根据权利要求1所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：所述短时音频信号的长度为2秒。
6.根据权利要求5所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：步骤3中短时傅里叶变换的窗长设置为1024个采样点，重叠率设置为512个采样点。
7.根据权利要求1所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：步骤4中，对表征矩阵进行超声域部分提取具体为表征矩阵中代表20000-40000hz的子矩阵提取出来。
8.根据权利要求1所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，其特征在于：步骤6中，以六类数据的预测准确率平均值作为特征增强超参数k、s、t的适应度。