1.一种影像分类方法，其特征在于，所述方法包括：

将待分类的影像输入训练好的卷积神经网络，得到所述影像的每一像素对应的特征，所述每一像素对应的特征视为所述每一像素属于各个预设类别的预测概率；

将所述每一像素对应的特征及所述影像的原始影像通过条件随机场CRF模型处理对所述预测概率进行调整，得到所述影像的分类结果。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括依次对所述影像进行处理的多级处理级，每一处理级包括顺次连接的卷积层、归一化处理层和非线性变换处理层，每一在后的层的输入为上一层输出的特征图；其中部分所述处理级之间还包括池化层；其中所述多级处理级中的最后一级处理级的输出特征图再至少经卷积操作和插值操作得到所述影像的每一像素对应的特征。

3.根据权利要求1或2所述的方法，其特征在于，所述CRF模型通过计算像素点之间的颜色和空间位置的关系调整所述预测概率。

4.根据权利要求3所述的方法，其特征在于，所述CRF模型由下式表达：其中i、j表示所述影像上的不同位置；xi包含像素i处的位置、颜色、特征信息；θi(xi)＝-log P(xi)为一维势函数，P(xi)为像素点x在位置i处的类别概率,为二维势函数；当xi≠xj时，μ(xi，xj)＝1，否

则μ(xi，xj)＝0；k为待分类类别数量，wm为高斯核函数km(fi，fj)的权重系数，fi表示像素点x在位置i处的特征信息。

5.根据权利要求2所述的方法，其特征在于，所述多级处理级包括7-14级处理级。

6.根据权利要求2所述的方法，其特征在于，所述多级处理级中除最后一级处理级之外的每一处理级的卷积层的卷积核大小为3×3，步长为2。

7.根据权利要求2所述的方法，其特征在于，所述池化层的卷积核大小为3×3。

8.一种影像分类系统，其特征在于，所述系统包括：

影像输入及概率确定模块，用于将待分类的影像输入训练好的卷积神经网络，得到所述影像的每一像素对应的特征，所述每一像素对应的特征视为所述每一像素属于各个预设类别的预测概率；

分类确定模块，用于将所述每一像素对应的特征及所述影像的原始影像通过条件随机场CRF模型处理对所述预测概率进行调整，得到所述影像的分类结果。

9.根据权利要求8所述的系统，其特征在于，所述卷积神经网络包括依次对所述影像进行处理的多级处理级，每一处理级包括顺次连接的卷积层、归一化处理层和非线性变换处理层，每一在后的层的输入为上一层输出的特征图；其中部分所述处理级之间还包括池化层；其中所述多级处理级中的最后一级处理级的输出特征图再至少经卷积操作和插值操作得到所述影像的每一像素对应的特征。

10.根据权利要求8或9所述的系统，其特征在于，所述CRF模型通过计算像素点之间的颜色和空间位置的关系调整所述预测概率。