本發明公開了一種數字信號處理方法和系統，方法包括：接收待處理的數字信號；利用預設類型的深度卷積神經網絡模型對所述數字信號進行對應的預處理操作，獲得處理后的數字信號；輸出所述處理后的數字信號。通過該技術方案，不需要通過多個過濾器進行信號處理，而只通過深度卷積神經網絡模型就可以實現信號處理，該深度卷積神經網絡模型可以將所有使用過濾器的效果包含在其中，從而簡化數字信號的預處理過程。

1.一種數字信號處理方法，其特征在于，包括：接收待處理的數字信號；在確定預處理目標為信號還原后，利用第一深度卷積神經網絡模型對所述數字信號進行去噪操作，獲得去噪后的數字信號；利用第二深度卷積神經網絡模型對所述去噪后的數字信號進行相位還原操作，獲得相位還原后的數字信號；利用第三深度卷積神經網絡模型對所述去噪后的數字信號進行信號還原操作，得到所述數字信號對應的原始信號；輸出所述原始信號；在確定預處理目標為信號增強后，利用第一深度卷積神經網絡模型對所述數字信號進行去噪操作，獲得去噪后的數字信號；利用第二深度卷積神經網絡模型對所述去噪后的數字信號進行相位還原操作，獲得相位還原后的數字信號；利用第四深度卷積神經網絡模型對所述去噪后的數字信號進行信號增強處理，得到所述數字信號對應的放大數字信號；輸出所述放大數字信號；所述第一深度卷積神經網絡模型是采用端對端的訓練方式得到的，所述第一深度卷積神經網絡模型的訓練方式包括：獲取第一訓練樣本信號集合，所述第一訓練樣本信號集合包括多組訓練樣本信號，每組訓練樣本信號包括標準數字信號和輸入數字信號，所述輸入數字信號中疊加有所述標準數字信號和隨機高斯噪聲信號；將所述第一訓練樣本信號集合中的輸入數字信號輸入預設類型的深度卷積神經網絡模型中，得到每組訓練樣本信號對應的訓練結果信號；將每個所述訓練結果信號與各自對應的訓練樣本信號中的所述標準數字信號進行對比，得到對比結果；根據所述對比結果確定所述預設類型的深度卷積神經網絡模型的神經網絡參數；所述第一訓練樣本信號集合包括標準數字信號，所述標準數字信號是通過調用第一預定存儲空間中的信號發生程序生成的；所述第二深度卷積神經網絡模型的訓練方式包括：獲取第二訓練樣本信號集合，所述第二訓練樣本信號集合包括多組訓練樣本信號，每組訓練樣本信號包括原始信號和數字轉換信號，所述數字轉換信號由所述原始信號經預定轉換方式進行轉換處理得到；將所述第二訓練樣本信號集合中的數字轉換信號輸入預設類型的深度卷積神經網絡模型中，得到每組訓練樣本信號對應的訓練結果信號；將每個所述訓練結果信號與各自對應的訓練樣本信號中的所述原始信號進行對比，得到對比結果；根據所述對比結果確定所述預設類型的深度卷積神經網絡模型的神經網絡參數；所述第二訓練樣本信號集合包括原始信號，所述原始信號是通過調用第二預定存儲空間中的信號發生程序生成的；所述第三深度卷積神經網絡模型的訓練方式包括：獲取第三訓練樣本信號集合，所述第三訓練樣本信號集合包括多組訓練樣本信號，每組訓練樣本信號包括原始數字信號和相位偏移數字信號，所述相位偏移數字信號由所述原始數字信號經相位偏移得到；將所述第三訓練樣本信號集合中的相位偏移數字信號輸入預設類型的深度卷積神經網絡模型中，得到每組訓練樣本信號對應的訓練結果信號；將每個所述訓練結果信號與各自對應的訓練樣本信號中的所述原始數字信號進行對比，得到對比結果；根據所述對比結果確定所述預設類型的深度卷積神經網絡模型的神經網絡參數；所述第三訓練樣本信號集合包括原始數字信號，所述原始數字信號是通過調用第三預定存儲空間中的信號發生程序生成的；所述第四深度卷積神經網絡模型的訓練方式包括：獲取第四訓練樣本信號集合，所述第四訓練樣本信號集合包括多組訓練樣本信號，每組訓練樣本信號包括原始數字信號和放大數字信號，所述放大數字信號由所述原始數字信號經信號放大處理得到；將所述第四訓練樣本信號集合中的原始數字信號輸入預設類型的深度卷積神經網絡模型中，得到每組訓練樣本信號對應的訓練結果信號；將每個所述訓練結果信號與各自對應的訓練樣本信號中的所述放大數字信號進行對比，得到對比結果；根據所述對比結果確定所述預設類型的深度卷積神經網絡模型的神經網絡參數；所述第四訓練樣本信號集合包括原始數字信號，所述原始數字信號是通過調用第四預定存儲空間中的信號發生程序生成的。2.一種數字信號處理系統，其特征在于，包括 ：一個或多個處理器 ；一個或多個存儲器 ；一個或多個應用程序， 其中所述一個或多個應用程序被存儲在所述一個或多個存儲器中并被配置為由所述一個或多個處理器執行， 所述一個或多個程序被配置為執行權利要求1所述的方法。