1.基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，包括以下步骤：
步骤1、构建朴素贝叶斯网络结构，确定模型包含的特征和飞行物类别目标；
网络结构的根结点代表飞行物所属类别目标；网络结构中的叶子结点代表影响飞行物识别的特征；
步骤2、根据每个特征对应的离散特征数据的分布情况，将不同类别目标的当前特征的最大值和最小值形成数据分布区间，分析发现不同类别目标的数据分布区间彼此存在交叉、重合的公共部分，分析重叠区间内的特征数据的跨度和分布密度情况；
步骤3、根据特征数据的跨度和分布密度情况，确定基于跨度和密度的特征加权方式：
其中，α、β为跨度、密度的分配比例；n为当前样本空间中所有类别目标中任选两个类别目标的所有组合情况的个数，用于确定两个类别目标在当前特征下是否存在重叠部分；di为不同类别目标形成的特征区间中彼此重叠区域的跨度；d为当前特征所有类别目标训练数据所形成的特征数据总体区间跨度；sum_di为不同类别目标形成的特征区间中彼此重叠区域内数据的个数；sum_d为当前特征所有类别目标的特征数据的总数量；
步骤4、使用计算的权值q取倒数对朴素贝叶斯识别模型中输入特征进行加权，基于特征加权贝叶斯优化算法的结果实现空中飞行物的识别。
2.根据权利要求1所述的基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，所述类别目标包括旋翼式飞机、固定翼飞机、喷气式飞机。
3.根据权利要求2所述的基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，所述特征包括飞行物的高度、速度、时频域图的图像熵。
4.根据权利要求3所述的基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，所述步骤1的具体过程包括以下步骤：
构建的网络结构为一个根结点的无向图g，g＝(v，e)由网络结点集合v与结点间的边集合e组成，结点集合v＝{vi|0≤i≤n}，n>0；边集合e＝{ei|1≤i≤m}，m>0，边用来表示结点间的相互关系；其中v0为网络结构的根结点，代表飞行物所属类别目标；i≥1对应的vi为网络结构中的叶子结点代表影响飞行物识别的特征；ei是根结点与叶子结点间的无向边；结点vi,vj∈v，j∈[1,n]，二者之间可能存在的关联性记作t，t＝1表示两个结点之间存在关联关系，t＝0表示两个结点之间不存在关联关系。
5.根据权利要求1、2、3或4所述的基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，所述步骤2的具体过程包括以下步骤：
首先对特征的离散数据进行统计分析，针对于每个特征，先遍历一遍所有类别目标的特征数据，确定所有类别目标当前特征数据的总区间，同时分别存储不同类别目标当前特征的最大值和最小值，确定不同类别目标的当前特征区间；
在形成特征区间后，获取任意类别目标与其余类别目标形成的重叠区间，计算所有重叠区间内数据的个数的平均值，计算所有重叠区间长度的平均值；
然后用个数平均值和长度平均值分别除以训练样本的数据个数和训练样本的数据分布所形成区间总长度，获得当前特征在密度和跨度上的数据分布情况。
6.根据权利要求5所述的基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，所述α、β的确定过程如下：
根据实验确定不同分配比例α、β对应的q值对于分类结果的影响程度，选择识别准确率最高时对应的α、β作为最佳配比，作为最终确定的α、β。
7.根据权利要求5所述的基于特征加权贝叶斯优化算法的空中飞行物识别方法，其特征在于，所述α、β的比为3：7。