1.一种基于神经网络的时域弱小目标检测方法，其特征在于，包括有如下步骤：(1)数据预处理：输入训练用的图像序列，原始数据集为一组航空器所拍摄的包含弱小目标的图片集，尺寸为a×b，设a×b＝d，共p张连续图像,对其进行数据预处理，从中提取出连续图像图片中每个像素点亮度变化的p维时域廓线,将其中每个像素的亮度值组成p维数组集，称作时域曲线数组集；(2)对数组集进行单独归一化并设置标签：将这些时域曲线数组集分为训练集和测试集,对每个数组进行单独归一化处理使其全部集中到0和1之间，并对目标点和非目标点的时域曲线数组分别设置标签得到最终矩阵以进行监督学习；(3)构建神经网络并进行模型的训练和永久保存：构建多层人工神经网络，并向神经网络中输入训练集中的时域曲线数组集及其对应标签所组成的最终矩阵，并训练神经网络，得到多层人工神经网络模型并保存模型以进行持久化运用，对模型从召回率以及准确率两个指标进行可靠性检测；(4)对实际测试集进行测试：将多层人工神经网络模型运用于实际测试集的检测,多层人工神经网络模型将根据该时域变化数组的特征来得出实际测试集中每个像素点的概率预测矩阵 本段中的i均表示像素点的序号，1<i<d；其中P Ni 为每个像素点非目标的概率，P Hi 为每个像素点是目标的概率；(5)计算最终权重值：将得到的每个像素点的概率预测矩阵依照权重公式计算出最终权重数值P Ki ，将该权重数值按照原图像素排列方式排列为权重数组；(6)切片去独过滤检测处理：根据连续图像序列目标点一定是在像素上连续的特性，将该数组进行切片过滤去独计算，检测每个像素点的最终权重数值，所有最终权重数值大于1的像素点都是待检测像素点，对待检测点执行切片去独过滤检测处理；设置过滤范围阈值为n，检测包括待检测像素点周围的点的切片数组中数值大于判定阈值k的点的个数，若个数等于1，则判定该点为独点，将其最终权重值置为1，将处理过后的权重数组按灰度法进行绘图，输出实际测试集的最终目标点检测图像。
2.根据权利要求1所述的基于神经网络的时域弱小目标检测方法，其特征在于，其中步骤(2)所述的对数组集进行单独归一化以及设置标签的过程，具体包括如下步骤：(2b)将时域曲线数据集分配成训练集和测试集，训练集用于训练得到模型，测试集可用于验证模型的准确性；(2b)将训练集数据按行对每个时域曲线数组集的p维数组进行单独归一化过程，归一化即为缩放数据到0到1之间。归一化后得到p维归一化数组，进而得到p维归一化时域曲线数组；(2c)将p维归一化后的时域曲线数组最后加上两列标签值，其中标签为该组曲线非目标的概率P 0 及是目标的概率P 1 ；目标点的时域曲线所对应的P 0 为0而P 1 为1，非目标点的时域曲线所对应的P 0 为1而P 1 为0；构成p+2维的带标签数组，将a×b条p+2维带标签数组按行组成p+2列，a×b行的最终矩阵，用于输入神经网络进行监督学习。
3.根据权利要求1所述的基于神经网络的时域弱小目标检测方法，本段中的i均表示检测图中像素点的序号，1<i<d；其中步骤(5)所述的最终权重数值计算公式表示如下：P Ki ＝n 0 ×P Ni +n 1 ×P Hi其中根据步骤(4)中得到的概率预测矩阵 P Ni 为序号为i的点非目标的概率，P Hi 为序号为i的点是目标的概率，P Ni +P Hi ＝1，P Ki 为序号为i的点经计算所得的最终权重数值；n 0 为非目标值权重，n 1 为目标值权重，n 0 、n 1 的取值范围应在1到10之间。
4.根据权利要求1所述的基于神经网络的时域弱小目标检测方法，其中步骤(6)所述的切片去独过滤检测处理，包括有如下步骤：(6a)判定待检测点：遍历全部a×b＝d个像素点的最终权重数值P Ki ，1＜i＜d，若遍历中某像素点最终权重数值高于1，则该点为待检测像素点，对该像素点执行切片去独过滤检测处理；若遍历中某像素点的最终权重数值等于或低于1则不作处理；(6b)切片处理：设置过滤范围阈值为n，则向待检测像素点上下左右延展n个像素点进行切片得到切片数组，理论上切片数组应包含待检测像素点在内共(2n+1)2个点，如果遇到图像边缘的点，则应与边缘贴合；(6c)判定孤点：设置判定阈值为K，统计切片数组中点的最终权重数值大于K的像素点的个数，若切片数组中包含待检测像素点在内满足最终权重数值大于K的像素点的个数大于或等于2，则该点不是孤点；若该切片数组中满足条件的只有1个，即为该被检测点本身，则该点是孤点；(6d)数值改动：若该点是孤点，则将其最终权重数值置为1，遍历检测所有待检测像素点，在整个权重数组范围内完成去独过滤检测，若该点不是孤点，则不对其最终权重数值做改动；(6e)输出最终目标点检测图像：将经过去独过滤检测处理后的最终权重数组按灰度法进行绘图，输出实际测试集的最终目标点检测图像。
