1.一种基于深度学习的瑞雷波频散曲线反演方法，其特征在于，包括以下步骤：对瑞雷波进行地震数据采集，采集的地震数据叠加形成频散曲线能量图，在能量谱中提取频散曲线，反演频散曲线以获取地下各层的剪切波速。

2.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，对瑞雷波进行地震数据采集，是通过在地面上击锤的方法制造人工震源，再通过检波器接受震源发生的地震波来获取地震信息。

3.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，利用深度学习的方法在能量谱中提取频散曲线。

4.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，反演频散曲线的步骤包括：搭建用于反演的深度学习网络、建立由地层数据组成的数据集用于训练网络、训练深度学习网络并验证。

5.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，用于反演的深度学习网络包括卷积神经网络、深度置信网络、循环神经网络及生成对抗网络中的至少一种。

6.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，进行关于瑞雷波的数据模型建立，并以此来训练学习网络；在进行数据构建时，根据对大自然中的多种模型种类的总结，设置不同情况模型所占比例。

7.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，将大自然中的地层模型分为逐层递增、从某层开始发生异常并延续、某几层发生突变三种情况，并根据所述三种情况设置数据集类型。

8.根据权利要求7所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，将所述三种情况进行合理配比时引入了马尔科夫决策理论，通过马尔科夫决策理论决定出发生异常情况的某一层或几层，为所述一层或几层赋予新的横波波速来控制其变化。

9.根据权利要求4所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，所述深度学习网络为CNN‑LSTM混合网络结构，网络结构运行包括训练数据和测试网络两个部分；在开始时将样本数据库随机分为训练数据和测试数据两组，对应比例为10∶1；在训练前，需要将输入和输出值通过激活函数进行标准化，使其变化在[0，1]范围内；激活函数包括sigmoid函数、tanh函数和ReLH函数，数学表达式如下：‑x

fsigmoid(x)＝1/(1+e )

x ‑x x ‑x

ftanh(x)＝(e‑e )/(e+e )

fReLU(x)＝max(x，0)。

10.权利要求1‑9所述的基于深度学习的瑞雷波频散曲线反演方法在隧道工程中的应用。