1.一种用于卫星遥感应用系统的异常检测方法，其特征在于，包括：利用多光谱传感器实时采集光谱遥感数据并对其进行数据预处理；

所述光谱遥感数据至少包括红光R、绿光G、蓝光B和近红外NIR数据；

基于卷积神经网络建立处理模型，对预处理后的所述光谱遥感数据进行特征提取、融合，生成光谱遥感特征表示；包括：提取每个波段的特征图；

将各波段特征图按权重加权融合，形成一个多光谱融合特征表示，其数学表达公式为：其中，F融合为融合后的特征表示，Fi为第i个波段的特征图，αi为融合权重，n为波段总数量；

提取的特征图为FR,FG,FB,FNIR，分别对应红光、绿光、蓝光和近红外波段；

基于深度学习算法建立光谱异常检测模型并对其进行学习训练，训练结束后，将所述检测模型部署在卫星遥感系统中；

使用无监督学习算法对光谱异常检测模型进行训练，目标是最小化输入特征与重构特征之间的均方误差(MSE)，其损失函数的数学表达公式为：其中，L为重构误差损失函数，N为训练样本数量，F融合,i为第i个样本的输入特征，为重构的输入特征；

将所述光谱遥感特征表示作为所述检测模型的输入，所述检测模型对其进行异常检测，并输出检测结果；

进行所述异常检测，包括：

将实时获取的光谱特征表示F融合输入到部署好的所述检测模型中；

计算每个输入样本的异常得分，根据异常得分判断是否为异常，异常得分的数学表达公式为：其中，S(F融合)为异常得分，为自编码器重构的融合特征，||·||表示L2范数；

S(F融合)的值域为非负实数，其中：

当取值在[0，0.05]区间内时，则判断为正常，即输入特征被认为是正常的，符合模型训练数据的特征分布；

当取值大于0.05时，则判断为异常，即输入特征偏离正常特征分布，存在异常。

2.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述采集通过所述多光谱传感器对目标区域进行扫描，获取不同波段的光谱数据；

其中，根据卫星轨道和传感器配置，设定每个波段的数据采样频率和空间分辨率。

3.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述数据预处理包括辐射校正、几何校正和大气校正。

4.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，基于深度学习算法建立的所述光谱异常检测模型为自编码器模型，包括编码器和解码器两部分，其中：所述编码器将输入特征表示压缩为低维隐含表示，编码器公式为：h＝σ(We·F融合+be)

其中，h为隐含表示，We为编码器的权重矩阵，be为偏置，σ为激活函数。

5.根据权利要求4所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述解码器尝试重构输入特征，解码器公式为：其中，为重构的输入特征，Wd为解码器的权重矩阵，bd为偏置。