1.一种轨检数据干扰因素特征识别方法，其特征在于，包括：步骤1：获取待测的轨检数据；步骤2：通过模式识别确定所述待测的轨检数据的干扰类别是否为轨距机故障；若不是，则将所述待测的轨检数据分别输入至训练完成的第一识别网络和第二识别网络，得到对应的第一识别结果和第二识别结果，包括：将所述待测的轨检数据的左轨向通道数据、右轨向通道数据和轨距通道数据输入至训练完成的第一识别网络，得到第一识别结果；将所述待测的轨检数据的左高低通道数据、右高低通道数据和轨距通道数据输入至训练完成的第二识别网络，得到第二识别结果；步骤3：根据所述第一识别结果和所述第二识别结果，确定所述待测的轨检数据是否存在干扰以及干扰类别；其中，所述第一识别网络和所述第二识别网络均为基于通道注意力的深度学习网络，所述基于通道注意力的深度学习网络包括级联的特征提取模块和分类模块，所述特征提取模块包括级联的多个特征提取单元，每个特征提取单元包括级联的多个卷积单元和通道注意力模块。
2.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，所述特征提取模块包括级联的5个特征提取单元，所述特征提取单元包括级联的2个卷积单元和通道注意力模块；每个卷积单元均包括级联的卷积层和Leaky ReLU激活函数层；所述通道注意力模块包括级联的全局平均池化层、全连接层、Leaky ReLU激活函数层和全连接层；所述通道注意力模块根据与其连接的卷积单元提取到的特征矩阵得到注意力向量，并将所述注意力向量和所述通道注意力模块的输入特征矩阵相乘后作为所述特征提取单元的输出特征矩阵。
3.根据权利要求2所述的轨检数据干扰因素特征识别方法，其特征在于，第一个特征提取单元中卷积单元的卷积层的卷积核大小为1×7，其余特征提取单元中卷积单元的卷积层的卷积核大小为1×5。
4.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，所述分类模块包括级联的Dropout层、全局平均池化层、全连接层和Softmax函数层，其中，所述Dropout层的丢弃概率为0.5。
5.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，轨检数据的干扰类别包括：雨水干扰、阳光干扰、钢轨打磨、激光器故障、轨距机故障、位移计故障和冰雪干扰。
6.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，利用GJ-6型轨检系统检测得到所述待测的轨检数据，所述待测的轨检数据包括左高低、右高低、左轨向、右轨向、轨距、水平和三角坑的7通道数据。
7.根据权利要求6所述的轨检数据干扰因素特征识别方法，其特征在于，在所述步骤2中，若所述待测的轨检数据的轨距通道数据全为0，则确定所述待测的轨检数据的干扰类别为轨距机故障。
8.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，所述第一识别结果为所述待测的轨检数据为正常数据，或所述待测的轨检数据的干扰类别为雨雪干扰、阳光干扰、钢轨打磨或激光器故障；所述第二识别结果为所述待测的轨检数据为正常数据，或所述待测的轨检数据的干扰类别为位移计故障。
9.根据权利要求8所述的轨检数据干扰因素特征识别方法，其特征在于，所述步骤3包括：若所述第一识别结果和所述第二识别结果均为所述待测的轨检数据为正常数据，则确定所述待测的轨检数据不存在干扰；否则，确定所述待测的轨检数据存在干扰，干扰类别为识别结果对应的干扰类别；其中，若所述待测的轨检数据的干扰类别为雨雪干扰，则根据预测路段的地理位置以及所处季节确定该干扰类别为雨水干扰或冰雪干扰。
