1.一种基于并行注意力机制残差网进行高光谱图像分类的方法，其特征在于，包括以下步骤：S1、构建残差块，所述残差块嵌入两条并行的注意分支网络支路，对输入的数据，进行空间特征信息和光谱特征信息的识别；所述两条并行的注意分支网络支路分为第一网络支路和第二网络支路，所述第一网络支路应用光谱注意力机制，所述第二网络支路应用空间注意力机制；

S2、利用步骤S1构建的残差块来构建高光谱图像分类网络，所述高光谱图像分类网络包括若干个依次连接的残差块；其中，排列在第一位的残差块，其输入的数据包括高光谱图像数据集；所述高光谱图像分类网络还包括依次连接在所述若干个依次连接的残差块之后的3D平均池化层和全连接层，所述3D平均池化层用于对当前残差块输出的数据进行空间维度的调整，降低整个网络的计算开销；所述全连接层用于处理经空间维度调整后的特征向量，得到输入样本类别；

S3、将高光谱原始3D立方体数据输入到步骤S2构建好的高光谱图像分类网络中，得到图像分类结果。

2.根据权利要求1所述的高光谱图像分类方法，其特征在于，步骤S1中构建残差块的步骤包括：S11、获取数据集；

S12、将获取到的数据集输入到注意分支网络支路中，并经进行特征学习；其中，第一网络支路采用光谱注意力机制，针对输入数据的光谱波段，进行光谱特征信息识别学习；第二网络支路采用空间注意力机制，针对输入数据的空间信息，进行空间特征信息的识别学习；

S13、将两个注意分支网络支路的输出，通过逐元素相乘融合在一起，形成与原始输入数据空间大小相同，波段减半的概率分布立方体Fatt；

S14、对原始输入数据进行线性卷积变换，将其变换后的数据波段与Fatt的波段进行统一；在进行波段统一后，将Fatt与线性变换后的原始输入数据通过逐元素相乘的方式进行融合，得到特征融合数据；

S15、加入残差连接，将所述特征融合数据与经过线性卷积变换后的原始输入数据进行逐元素相加，得到嵌入并行注意力机制的残差块。

3.根据权利要求2所述的高光谱图像分类方法，其特征在于，步骤S12中，基于光谱注意力机制的处理过程，用数据公式表示为：Fspectral＝σ(AvgPool(f1(AvgPool(F))))；

其中，σ代表softmax非线性激活函数，AvgPool代表平均池化层，f1(·)代表对“·”进行卷积层计算，F代表输入到网络的数据；

基于空间注意力机制的处理过程，用数学公式表示为：

Fspatial＝σ(f3(f2(F)))；

σ代表softmax非线性激活函数，f2,f3代表卷积层计算，F代表输入到网络的数据。

4.根据权利要求2所述的高光谱图像分类方法，其特征在于，步骤S12中，所述获取到的数据以原始数据的立方体形式，输入到注意分支网络支路，进行特征学习；其中：以像元p为中心，沿上、下、左、右四个方向各延伸m个像元单位，组成一个(2m+1)×(2m+

1)的空间平面；

将所述空间平面中的光谱波段数全部取出，构成一个大小为d×d×B的立方体，其中，d表示空间3D立方体的空间尺寸长和宽，B代表高光谱图像数据的波段数。

5.根据权利要求4所述的高光谱图像分类方法，其特征在于，在将原始数据以立方体形式输入到高光谱图像分类网络时，以中心像元p所属的类别作为样本所属的类别；通过学习识别中心像元p与其周围像元的空间特征信息，并利用整体的光谱波段特征信息，进行光谱特征信息的识别学习。

6.根据权利要求2所述的高光谱图像分类方法，其特征在于，步骤S15中，加入残差连接，将Fatt与原始输入数据f0(F)通过逐元素相乘进行融合，并将得到的特征融合数据与f0(F)进行逐元素相加，其数学表达式为：其中，Fout代表残差块的输出，f0代表线性卷积变换；在经过上述处理操作后，得到嵌入并行注意力机制的残差块； 表示将参数A和B进行逐元素相加； 表示将参数A和B进行逐元素相乘。

7.根据权利要求1所述的高光谱图像分类方法，其特征在于，步骤S2中，每个残差块的运作机理相同，其中，每个残差块输出的数据块相对于输入的数据块，其空间大小相同，波段数减半，保证了网络对特征信息学习的同时，均衡了训练网络所需的时间开销；

最后，将3D平均池化层输出的特征向量，经过一个包含有χ个神经元的全连接层和softmax函数后，得到预测的输入样本类别。

8.根据权利要求1所述的高光谱图像分类方法，其特征在于，在进行最终的图像分类前，输入测试数据集对高光谱图像分类网络的分类精度进行检验，其中，将测试集样本以和在进行网络训练时的训练数据集输入到网络时，相同的块大小格式输入到高光谱图像分类网络模型中，进行分类计算。