1.一种图像特征学习方法，其特征在于，包括：

通过神经网络获取各个训练图像的特征向量；

根据各个训练图像的特征向量与各个记忆单元记录的特征向量的匹配度，确定目标函数值，其中，记忆单元与训练图像一一对应；

根据各个训练图像的特征向量更新相应的记忆单元记录的特征向量；

若所述目标函数值不满足训练目标，则根据所述目标函数值与训练目标的差距，优化所述神经网络的参数。

2.根据权利要求1所述的方法，其特征在于，根据各个训练图像的特征向量与各个记忆单元记录的特征向量的匹配度，确定目标函数值，包括：确定第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度；

根据所述第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度，确定所述第一训练图像被归类至第一类别的概率，其中，所述第一类别为所述第一训练图像对应的类别；

以此类推，确定各个训练图像被归类至相应类别的概率；

根据各个训练图像被归类至相应类别的概率，确定目标函数值。

3.根据权利要求2所述的方法，其特征在于，确定第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度，包括：在第一次确定第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度时，根据所述第一训练图像的特征向量与各个记忆单元记录的特征向量的内积，确定所述第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度；

在第t次确定所述第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度时，根据所述第一训练图像的特征向量与所有记忆单元中的m个记录单元记录的特征向量的内积，确定所述第一训练图像的特征向量与所述m个记录单元记录的特征向量的匹配度，并将噪声常数作为所述第一训练图像的特征向量与其余n-m个记录单元记录的特征向量的匹配度，其中，t为大于1的整数，记忆单元的总数为n，m和n均为正整数，且m

4.根据权利要求1所述的方法，其特征在于，根据各个训练图像的特征向量更新相应的记忆单元记录的特征向量，包括：根据各个训练图像的特征向量与相应的记忆单元记录的特征向量的加权结果，更新各个记忆单元记录的特征向量。

5.一种图像特征学习装置，其特征在于，包括：

第一获取模块，用于通过神经网络获取各个训练图像的特征向量；

第一确定模块，用于根据各个训练图像的特征向量与各个记忆单元记录的特征向量的匹配度，确定目标函数值，其中，记忆单元与训练图像一一对应；

更新模块，用于根据各个训练图像的特征向量更新相应的记忆单元记录的特征向量；

优化模块，用于若所述目标函数值不满足训练目标，则根据所述目标函数值与训练目标的差距，优化所述神经网络的参数。

6.根据权利要求5所述的装置，其特征在于，所述第一确定模块包括：第一确定子模块，用于确定第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度；

第二确定子模块，用于根据所述第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度，确定所述第一训练图像被归类至第一类别的概率，其中，所述第一类别为所述第一训练图像对应的类别；

第三确定子模块，用于以此类推，确定各个训练图像被归类至相应类别的概率；

第四确定子模块，用于根据各个训练图像被归类至相应类别的概率，确定目标函数值。

7.根据权利要求6所述的装置，其特征在于，所述第一确定子模块包括：第一确定单元，用于在第一次确定第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度时，根据所述第一训练图像的特征向量与各个记忆单元记录的特征向量的内积，确定所述第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度；

第二确定单元，用于在第t次确定所述第一训练图像的特征向量与各个记忆单元记录的特征向量的匹配度时，根据所述第一训练图像的特征向量与所有记忆单元中的m个记录单元记录的特征向量的内积，确定所述第一训练图像的特征向量与所述m个记录单元记录的特征向量的匹配度，并将噪声常数作为所述第一训练图像的特征向量与其余n-m个记录单元记录的特征向量的匹配度，其中，t为大于1的整数，记忆单元的总数为n，m和n均为正整数，且m

8.根据权利要求1所述的装置，其特征在于，所述更新模块用于：根据各个训练图像的特征向量与相应的记忆单元记录的特征向量的加权结果，更新各个记忆单元记录的特征向量。

9.一种图像特征学习装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至4中任意一项所述的方法。

10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。