1.一种用于隧道围岩的分级方法，其特征在于，包括：收集围岩特征数据与对应的围岩级别，其中包括：收集各个样本的围岩特征数据并标注相应的围岩级别标签，从而形成围岩特征数据与围岩级别数据集，所述围岩特征数据包括不同来源、不同格式和不同尺度的多项围岩特征参量，所述多项围岩特征参量的类别包括岩石矿物性质特征、不连续发育特征、地质条件背景和工程施工特征；构建预设融合模型，并根据所述围岩特征数据与对应的围岩级别对所述预设融合模型进行训练，形成围岩智能分级模型；利用所述围岩智能分级模型，对目标围岩开展分级评价，其中，所述预设融合模型为先由针对不同数据类型所分别构建的多个特征学习网络并联成为特征识别部，再将所述特征识别部依次与特征融合部和目标学习部串联，所述特征识别部具有针对不同类型测量数据而分别建立的特征学习网络，其中包括：对于离散数值类型的训练输入数据，采用多层感知机或支持向量机来构建相应的特征学习网络；对于结构化的图像或曲线类型的训练输入数据，采用卷积神经网络来构建相应的特征学习网络；对于文本类型的训练输入数据，采用循环神经网络来构建相应的特征学习网络；所述特征融合部用于将从所述特征识别部中的每个特征学习网络所输出的特征数组连接起来，其中包括：根据输入数据的格式类型，按照表示特征方向的矩阵横向方向、表示通道方向的矩阵纵向方向，将不同特征学习网络所输出的特征数组进行横向连接和/或纵向连接，形成所述特征融合部；所述目标学习部用于实现围岩级别的多级分类与输出。
2.根据权利要求1所述的分级方法，其特征在于，所述岩石矿物性质特征包括但不限于：岩性、岩石速度、岩石软硬类型、岩石耐磨度、单轴抗压强度、抗拉强度、杨氏模量、三轴应力、各向异性、泊松比、孔隙度和渗透率；所述不连续发育特征包括但不限于：不连续体类型和包含宽度、间距、数量、产状、粗糙度、延展性、填充物和风化蚀变程度在内的发育参数；所述地质条件背景包括但不限于：构造类型、地震烈度、地下水、地应力和地温；所述工程施工特征包括但不限于：洞轴线与主要结构面的夹角和隧道开挖方式。
3.根据权利要求1所述的分级方法，其特征在于，所述分级方法还包括：对所述围岩特征数据进行预处理；按照预设的数据样本比例，对经过预处理的所述围岩特征数据与对应的围岩级别进行数据集划分，形成训练样本集、验证样本集和测试样本集，以利用各样本集在模型训练过程中对所述预设融合模型开展训练、交叉验证以及超参数优选与质控评价。
4.根据权利要求3所述的分级方法，其特征在于，在对所述围岩特征数据进行预处理的步骤中，包括：对定性类型的数据进行编码来完成定量转化；对一维序列数据或二维图像数据分别进行重采样处理，使得同一维度数据具有相同的数据尺寸；对同一维度不同类型的定量数据进行归一化或标准化处理；对所测量的数据进行围岩属性计算。
5.根据权利要求1所述的分级方法，其特征在于，所述目标学习部采用全连接神经网络来构建，其中，应用softmax函数来实现围岩级别的分类与输出。
6.根据权利要求1～5中任一项所述的分级方法，其特征在于，基于不同隧道和不同施工阶段的推进，扩展围岩特征数据与围岩级别数据集，以利用扩展后的所述围岩特征数据与围岩级别数据集对所述围岩智能分级模型进行更新并应用。
7.一种用于隧道围岩的分级系统，其特征在于，包括：数据集收集模块，其配置为收集围岩特征数据与对应的围岩级别，其中包括：收集各个样本的围岩特征数据并标注相应的围岩级别标签，从而形成围岩特征数据与围岩级别数据集，所述围岩特征数据包括不同来源、不同格式和不同尺度的多项围岩特征参量，所述多项围岩特征参量的类别包括岩石矿物性质特征、不连续发育特征、地质条件背景和工程施工特征；智能分级模型构建模块，其配置为构建预设融合模型，并根据所述围岩特征数据与对应的围岩级别对所述预设融合模型进行训练，形成围岩智能分级模型；模型应用模块，其配置为利用所述围岩智能分级模型，对目标围岩开展分级评价，其中，所述预设融合模型为先由针对不同数据类型所分别构建的多个特征学习网络并联成为特征识别部，再将所述特征识别部依次与特征融合部和目标学习部串联，所述特征识别部具有针对不同类型测量数据而分别建立的特征学习网络，其中包括：对于离散数值类型的训练输入数据，采用多层感知机或支持向量机来构建相应的特征学习网络；对于结构化的图像或曲线类型的训练输入数据，采用卷积神经网络来构建相应的特征学习网络；对于文本类型的训练输入数据，采用循环神经网络来构建相应的特征学习网络；所述特征融合部用于将从所述特征识别部中的每个特征学习网络所输出的特征数组连接起来，其中包括：根据输入数据的格式类型，按照表示特征方向的矩阵横向方向、表示通道方向的矩阵纵向方向，将不同特征学习网络所输出的特征数组进行横向连接和/或纵向连接，形成所述特征融合部；所述目标学习部用于实现围岩级别的多级分类与输出。
