1.一种多源高程数据融合方法，其特征在于，所述方法包括：基于深度负相关学习网络分别构建光学预训练模型和雷达预训练模型；对获取到的原始光学高程数据和原始雷达高程数据进行预处理，分别得到光学高程训练样本和雷达高程训练样本；将所述光学高程训练样本输入所述光学预训练模型进行训练，得到所述训练好的光学高程误差预测模型；将所述雷达高程训练样本输入所述雷达预训练模型进行训练，得到所述训练好的雷达高程误差预测模型；将获取的光学高程数据输入训练好的光学高程误差预测模型，输出得到光学高程误差值和光学高程误差权重图，将获取的雷达高程数据输入训练好的雷达高程误差预测模型，输出得到雷达高程误差值和雷达高程误差权重图；根据所述光学高程误差值对所述光学高程数据进行校正，得到待融合光学高程数据；根据所述雷达高程误差值对所述雷达高程数据进行校正，得到待融合雷达高程数据；根据所述光学高程误差权重图和所述雷达高程误差权重图对所述待融合光学高程数据和所述待融合雷达高程数据进行加权融合，得到融合高程数据。
2.根据权利要求1所述的方法，其特征在于，所述对获取到的原始光学高程数据和原始雷达高程数据进行预处理，分别得到光学高程训练样本和雷达高程训练样本，包括：统一所述原始光学高程数据和所述原始雷达高程数据的坐标系和高程基准，得到标准光学高程数据和标准雷达高程数据；基于以两步平均滤波为特征的平滑过程对所述标准光学高程数据进行异常值滤除操作，得到所述光学高程训练样本；基于所述以两步平均滤波为特征的平滑过程对所述标准雷达高程数据进行所述异常值滤除操作，得到所述雷达高程训练样本。
3.根据权利要求2所述的方法，其特征在于，所述统一所述原始光学高程数据和所述原始雷达高程数据的坐标系和高程基准，得到标准光学高程数据和标准雷达高程数据，包括：获取激光测高系统的初始高程坐标系和高精度控制点的高程值，将所述高精度控制点的高程值作为所述原始光学高程数据和所述原始雷达高程数据的所述高程基准；根据地理坐标系转换规则将所述原始光学高程数据和所述原始雷达高程数据的所述坐标系转换为所述初始高程坐标系；将所述原始光学高程数据中像素的网格间距和所述原始雷达高程数据中像素的所述网格间距进行对齐和校正，得到所述标准光学高程数据和所述标准雷达高程数据。
4.根据权利要求2所述的方法，其特征在于，所述基于以两步平均滤波为特征的平滑过程对所述标准光学高程数据进行异常值滤除操作，得到所述光学高程训练样本，包括：提取所述标准光学高程数据的多个空间特征值及各所述空间特征值对应的高程误差值；检测各空间特征值对应的所述高程误差值是否大于预设偏差值，若大于，则将大于所述预设偏差值的所述高程误差值对应的所述空间特征值删除，得到多个无异常空间特征值；对各所述无异常空间特征值对应的所述高程误差值采用均值滤波器进行过滤，重复该步骤直至所述高程误差值的数量为1，得到唯一高程误差值；将所述唯一高程误差值和多个所述无异常空间特征值作为所述光学高程训练样本。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：采用定量评价指标中的检查点法对所述融合高程数据进行精度评定，得到多个精度指标。
6.根据权利要求5所述的方法，其特征在于，所述多个精度指标包括所述融合高程数据的均方误差、均方根误差、平均绝对误差和拟合度。
7.一种多源高程数据融合装置，其特征在于，应用于高程数据融合设备，所述装置包括：训练模块，用于基于深度负相关学习网络分别构建光学预训练模型和雷达预训练模型；对获取到的原始光学高程数据和原始雷达高程数据进行预处理，分别得到光学高程训练样本和雷达高程训练样本；将所述光学高程训练样本输入所述光学预训练模型进行训练，得到所述训练好的光学高程误差预测模型；将所述雷达高程训练样本输入所述雷达预训练模型进行训练，得到所述训练好的雷达高程误差预测模型；预测模块，用于将获取的光学高程数据输入训练好的光学高程误差预测模型，输出得到光学高程误差值和光学高程误差权重图，以及将获取的雷达高程数据输入训练好的雷达高程误差预测模型，输出得到雷达高程误差值和雷达高程误差权重图；校正模块，用于根据所述光学高程误差值对所述光学高程数据进行校正，得到待融合光学高程数据；根据所述雷达高程误差值对所述雷达高程数据进行校正，得到待融合雷达高程数据；融合模块，用于根据所述光学高程误差权重图和所述雷达高程误差权重图对所述待融合光学高程数据和所述待融合雷达高程数据进行加权融合，得到融合高程数据。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
