1.一种基于同态神经网络的跨领域图片分类方法，其特征在于，包括以下步骤：S1)、获取若干个跨领域图片训练子集，并对每个跨领域图片训练子集中的每张跨领域训练图片进行预处理，得到跨领域图片底层特征；

S2)、构建包括同态子网络g和预测子网络f的神经网络架构；

S3)、将同态子网络g设置于输入层后端，将预测子网络f设置于输出层的前端位置；

S4)、在同态子网络g和预测子网络f之间嵌入同态层；

S5)、初始化同态子网络g和预测子网络f所有的权重参数；

S6)、将收集的跨领域图片训练样本输入到神经网络后，通过同态层干预神经网络的训练；

S7)、重复步骤S6)直至被用户终止或达到迭代次数的上限，从而得到训练好的神经网络框架；

S8)、将待分类的跨领域图片输入到训练好的神经网络中，预测得到跨领域图片的类别。

2.根据权利要求1所述的一种基于同态神经网络的跨领域图片分类方法，其特征在于：步骤S1)中，所述的对每张跨领域训练图片进行预处理，具体包括：S101)、根据所述若干个跨领域图片训练子集的每张跨领域训练图片中的每个像素的像素值，获取所述每张跨领域训练图片的像素矩阵；

S102)、计算若干个跨领域图片训练子集的所有跨领域训练图片的像素矩阵的平均值，得到一个均值矩阵；

S103)、根据均值矩阵生成均值图像；

S104)、将每张跨领域训练图片的像素矩阵的每个像素值减去均值图像的相应像素值，从而得到每张跨领域训练图片的底层特征。

3.根据权利要求1所述的一种基于同态神经网络的跨领域图片分类方法，其特征在于：步骤S6)中，所述的同态层干预神经网络的训练包括：

S601)、在训练神经网络的预前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g，通过同态层预前向模块收集每个训练样本在通过同态子网络g后的输出，并根据训练样本类别统计各类的平均激活输出μ(y)，计算表达式如下：其中，n表示训练样本的数量，n(y)表示标签为y的样本数量，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi；

S602)、在训练神经网络的前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g和预测子网络f，通过同态层的前向模块收集每个训练样本在通过同态子网络g后的输出，并根据样本类别计算每个样本的类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，并通过预测子网络f计算预测标签和实际标签的误差，其中，类内方差灵敏度和类间方差灵敏度的计算公式如下：δc(Od(i)(xi))＝g(Od(i)(xi))-μ(yi),其中，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi，|Y|表示样本标签状态数量；

S603)、在训练网络的后向传播阶段中，预测子网络f向前面的网络部分注入灵敏度δ(Od(i)(xi))，同时，同态层的后向模块控制该灵敏度并在此基础上添加类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，添加完成后，同态层的后向模块把修改后的灵敏度继续往后传播，具体添加公式如下：δ(Od(i)(xi))＝δ(Od(i)(xi))+δc(Od(i)(xi))-δs(Od(i)(xi))；

S604)、在训练神经网络的参数更新阶段中，同态子网络g和预测子网络f根据各自传播的灵敏度并使用批量梯度下降算法更新权重参数。

4.根据权利要求1所述的一种基于同态神经网络的跨领域图片分类方法，其特征在于：步骤S8)还包括：

S801)、把待分类的跨领域图片输入到同态子网络g中，并输出同态特征；

S802)、通过同态层直接将同态特征输入到预测子网络f中，并输出结果；

S803)、将步骤S802)输出的结果输入到softmax函数后计算各类别的概率，并输出概率最大的类别作为待分类跨领域图片的类别。