1.一种基于产生式对抗学习网络的领域学习方法，其特征在于，所述方法包括以下步骤：

1)收集源域人脸图像集，用人脸检测器定位人脸位置并抠出人脸图像；

2)构建产生式神经网络G，运用卷积神经网络神经元构建的神经网络为残差网络，输入输出为相同分辨率的人脸图像，其中输入为收集的特定应用场景人脸图像，输出为转换后的图像；

3)构建分类神经网络D，运用卷积神经网络神经元，输入为产生式神经网络的输出图像和人脸分类器的训练图像，输出为两种输入图像的分类；

4)采用异步方式迭代训练产生式神经网络G和分类神经网络D，产生式对抗网络模型的目标函数为：

其中，目标函数V(D，G)的值由网络产生式神经网络G和分类神经网络D决定，x～Pdata表示样本x服从人脸分类器训练样本的样本分布Pdata，z～Pz表示样本z服从指定应用场景的人脸图像分布Pz；D(x)表示输入x经过网络D后得出的输出，G(z)表示输入z经过网络G后得出的输出，E是数学期望运算符号；

限制产生式神经网络G对输入的改变量，改进后网络优化的目标函数为：其中，α∈(0,1)是权重系数，F()是特征描述子，c∈(0,1)是阈值；

初始化产生式神经网络G和分类神经网络D的网络参数，利用反向传播算法交替寻找目标函数 和

的最优解，待网络收敛后得到产

生式神经网络G的模型参数；

5)在指定场景进行人脸识别时，先将输入人脸图像I进行转换G(I)，将转换后的人脸图像输入人脸识别模块得到人脸识别的结果。

2.如权利要求1所述的基于产生式对抗学习网络的领域学习方法，其特征在于，所述步骤1)中，抠出人脸图像后还对该图像进行旋转、缩放和色彩变换，增加样本的数量；并规范人脸图像样本的尺寸。