1.一种基于持续学习的网络自优化方法，其特征在于：包含持续学习过程和网络优化过程；
所述持续学习过程具体包含如下步骤；
步骤1，准备分类好的网络优化问题；
步骤2，提取步骤1准备的网络优化问题的特征信息，并将提炼出的特征信息训练成一个先验模型；
步骤3，使用先验模型对后续的的网络问题进行分类；
步骤4，若出现新的网络优化问题时，则使用无监督学习来提取新的网络优化问题的特征信息；
步骤5，根据步骤4获取的特征信息通过主动学习来更新完善步骤2训练的先验模型；
所述网络优化过程具体包含如下步骤：
步骤6，在已知网络优化问题的分类后，获取属于该类网络优化问题的优化策略；
步骤7，执行该类网络优化问题的优化策略；
步骤8，获取与执行的优化策略对应的优化效果；
步骤9，根据预设的效果评价指标对获取的每一个优化效果进行评价；
步骤10，对所有的评价进行比较，选择最佳的网络优化策略。
2.根据权利要求1所述的一种基于持续学习的网络自优化方法，其特征在于：在步骤2中，使用深度学习方法提炼出步骤1准备的网络优化问题的特征信息。
3.根据权利要求1所述的一种基于持续学习的网络自优化方法，其特征在于：在步骤6中，所述的优化策略分别为覆盖类问题的优化策略和信号质量类问题的优化策略；
其中，覆盖类问题优化策略包含调整天馈、调整导频功率、调整系统覆盖范围、检查相邻站RxLev是否正常；
信号质量类的优化策略包含PCI优化、调整天馈、增强主导覆盖、调整导频功率。
4.根据权利要求1所述的一种基于持续学习的网络自优化方法，其特征在于：在步骤9中，所述效果评价指标包含覆盖类指标、呼叫建立类指标、呼叫保持类指标和时延类指标。
5.根据权利要求4所述的一种基于持续学习的网络自优化方法，其特征在于：所述覆盖类指标包括RSRP、 RSSI、 RSRQ、 SINR。
6.根据权利要求4所述的一种基于持续学习的网络自优化方法，其特征在于：所述呼叫建立类指标包括RRC连接建立成功率、RRC连接建立成功率、E-RAB建立成功率、无线接通率。
7.根据权利要求4所述的一种基于持续学习的网络自优化方法，其特征在于：所述呼叫保持类指标包括RRC连接异常掉话率、E-RAB掉话率。
8.根据权利要求4所述的一种基于持续学习的网络自优化方法，其特征在于：所述时延类指标包括UE从Idle态到Active态转换时延、Attach时延、用户面时延、系统内X2切换业务中断时延、系统内S1切换业务中断时延、异系统切换业务中断时延。