1.一种基于深度学习重构算法的太赫兹计算光谱仪的制备方法，其特征在于，包括下列步骤：S1：光学滤波结构与太赫兹探测器的制备，采用光刻法在高纯硅上溅射100nm厚的金属铝膜，并在铝膜上光刻出设计好的光学滤波结构；采用离子注入、光刻、剥离等微纳加工技术制备出太赫兹探测器；S1的具体步骤包括：S1-1：采用离子注入技术制备吸收区，在高阻的锗衬底上注入不同剂量的磷离子，形成不同浓度的锗掺磷吸收层和电极层，阻挡层由基底自然形成；S1-2：采用光刻法光刻出电极区形状并用磁控溅射技术沉积铝膜，之后采用丙酮进行剥离，得到金属Al电极；S1-3：采用光刻法在高纯硅上溅射100nm厚的金属铝膜，并在铝膜上光刻出设计好的光学滤波结构，并采用刻蚀、磁控沉积镀膜工艺制备出对不同波长滤波的滤波器；S2：训练数据集的构建，将利用傅里叶变换光谱仪实际测量的真实物质太赫兹波段透射谱作为标签，计算光谱仪测量数据作为训练数据，建立起网络模型数据集；S3：构建用于太赫兹波段物质透射谱线重构网络模型，基于图像领域超分辨算法EDSR网络，减小网络残差块数量至8层；引入反卷积层作为上采样和网络通道调整方法，并添加线性全连接层对最后的网络输出进行调整，使最终的网络更适用于物质透射谱线的重建并减少网络冗余；S3的具体步骤包括：S3-1，深度扩展层：深度扩展层通过64个卷积核卷积运算，将1层输入通道扩展至64，以增大模型参数容量，深度扩展层网络滤波器大小为5×1，网络通道数为64；S3-2，残差网络层：残差网络层的输入为深度扩展层得到的输出数据，一共包含8个级联的残差子网络，用于提取输入数据的残差特征；每一个残差子网络结构包含两路分支，一路分支包括卷积层、Relu激活层、卷积层和缩放层，另一路分支直接将前一层输入连接至输出，两路分支相加得到残差子网络的输出；8个子网络级联，得到这一支路的输出，残差子网络的卷积核大小为5×1，网络通道数为64；残差网络层的输出为8个残差子网络级联之路的输出；S3-3，上采样层：采用反卷积作为上采样方法，将经由残差网络层得到的输出根据需要进行指定倍数的上采样；同时，将通道数由64调整为1，反卷积核大小为7×1；S3-4，数据调整层：由于经过上采样层的数据与对比标签数据的长度不同，引入线性全连接层对上采样层的数据进行调整，目的是使网络最终输出与对比标签数据长度保持一致，便于重建效果比较；S4：训练物质透射谱线重构网络模型，采用均方误差作为S3所述网络的损失函数；采用自适应矩估计方法作为网络优化器，训练获得网络权重模型；S5：透射谱重构，以汞灯为光源，光源照射到待测物质以后经由S1所述制备的光学滤波结构和探测器可以得到电流采样值，将测量得到的数据输入S4中训练的网络进行重构，得到最终的物质透射谱。
2.如权利要求1所述的一种基于深度学习重构算法的太赫兹计算光谱仪的制备方法，其特征在于，S2的具体步骤包括：S2-1:将经过傅里叶变换光谱仪测得的实际透射谱数据作为对比标签数据集；将经过计算光谱仪测量得到的稀疏采样数据作为训练数据集；按照8:1:1的比例划分训练集、验证集和测试集；S2-1:此两部分数据将共同作为网络模型的输入。
3.如权利要求1所述的一种基于深度学习重构算法的太赫兹计算光谱仪的制备方法，，其特征在于，S4的具体步骤包括：S4-1，定义网络损失函数：采用均方误差作为网络的损失函数，均方误差的计算公式为：S4-2，n为实际透射谱线数据长度，[ ]为实际透射谱的每一个数据，[ ]为网络重构透射谱的每一个数据，N为单次参与训练的样本数量，定义网络训练方法：设定网络初始学习率为0.0001，批处理数据量为8；采用自适应矩估计方法作为网络优化器。
4.如权利要求1所述的一种基于深度学习重构算法的太赫兹计算光谱仪的制备方法，其特征在于，S5的具体步骤包括：以汞灯为光源，光源照射待测物质后经由S1所述制备的滤波结构和探测器可以得到电流采样值；将测量采样得到的数据作为待重构数据，输入S4中训练好的网络当中进行重构，得到高精度的重构物质透射谱。
