1.一种针对复杂网络的网络故障分析方法，其特征在于，该方法包括以下步骤：
s1.根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；
s2.将每个子网拓扑图对应的序列化矩阵和该子网拓扑图每次故障信息结合为一个故障矩阵；
s3.将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；
s4.将待测复杂网络拓扑通过步骤s1的方式进行分割，得到该复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。
2.如权利要求1所述的方法，其特征在于，步骤s1包括以下子步骤：
s11.遍历复杂通信网络中所有节点，根据网络节点在网络中的重要程度，对所有网络节点进行降序排序；
s12.选取排序后序列化顺序中的第一个节点，取ω个邻居节点构成序列化链表，对依据度最大节点的ω个邻居节点按照重要程度降序排列，将其转换成长度为(ω+1)的序列，ω≥排序后序列化顺序中的第一个节点的一阶邻居数量；
s13.针对序列化链表中的每个顺序节点，取k个邻居节点按照重要程度进行降序排序，得到包含节点id、大小为(ω+1)*(k+1)的代表一个中心结构的序列化矩阵，k≥排序后序列化顺序中的第一个节点的一阶邻居数量；
s14.去除序列化矩阵中的所有节点，重复遍历网络中剩余节点直至所有节点为空，若剩余节点的最大的度大于α，则进入步骤s12，继续进行序列化矩阵构造操作；若剩余节点的最大的度小于等于α，则舍弃剩余节点。
3.如权利要求2所述的方法，其特征在于，所述重要程度是指网络节点的度和节点之间的最短路径长度。
4.如权利要求2所述的方法，其特征在于，所述序列化矩阵的第一个节点是根据各阶邻居数目得到度最大的节点，第一列是度最大的节点和其相邻的邻居节点，每一行都是行头和其相邻的邻居节点；排列的顺序都依照节点各阶邻居数目排序，若没有排满，则用0填充。
5.如权利要求1所述的方法，其特征在于，步骤s2包括以下步骤：
s21.将所有序列化矩阵生成的子网拓扑图，并获取各子网络拓扑图的告警信息；
s22.每个子网络拓扑图的告警信息结合序列化矩阵，定义故障矩阵。
6.如权利要求5所述的方法，其特征在于，所述故障信息为告警故障信息、节点名称和故障时间。
7.如权利要求6所述的方法，其特征在于，将一段时间内，筛选出来的节点名称和故障信息，转换为节点对应的告警编码；将序列化矩阵内各站点的值用其对应的告警编码替代，无告警信息的填充为0，获得表征子网各站点故障状态的矩阵。
8.一种针对复杂网络的网络故障分析系统，其特征在于，所述系统采用如权利要求1至7任一项所述的针对复杂网络的网络故障分析方法。